基于局部切空间排列算法的故障特征提取及识别方法研究

摘要

大型旋转机械通常运行工况复杂，传感器采集到的振动信号大多伴有非线性、非稳定性特征，因此，以振动信号为目标的故障诊断工作变得愈加艰难。本论文把旋转机械包含的重要组件轴承和齿轮作为研究对象，开展了基于局部切空间排列算法(LTSA)的特征提取及识别方法研究。改进最小熵反褶积(MED)方法，提高了微弱信号的信噪比，并结合LTSA开展相关研究:基于包数方法与局部切空间降噪的故障特征提取方法及基于LTSA与K-最近邻分类器(KNN分类器)的轴承故障识别方法。主要研究内容如下:
　　(1)研究了果蝇优化算法(FOA)和粒子群优化算法(PSO)改进MED的诊断方法。针对强噪声背景下最小熵反褶积使信号有用信息丢失，以及MED方法得到滤波系数存在局部最优和终止条件参数选取不适造成的信号的过降噪等问题，引入智能优化方法改进MED替代MED中目标函数求解方法(Objective Function Method，OFM)，作为MED前处理器，寻求最佳滤波系数。分别提出基于FOA和基于PSO的两种改进MED方法，所提方法能够寻求全局最优逆滤波器系数，剔除强噪声成分。利用低速轴承实验台分别对两种方法进行验证与分析，结果表明:两种方法能够有效削减噪声，可有效提取故障特征，在信号降噪方面取得较好的效果。同时对比两种方法，FOA改进算法在非线性降噪方面具有更好的效果，更适用于轴承微弱故障诊断。
　　(2)研究了基于包数与局部切空间重构降噪方法，用以解决局部切空间重构方法中约简维数随意选取可能导致相空间的主流形畸变，使得降噪效果降低等问题。为更多挖掘信号的有用信息，利用相空间重构技术、互补的总体经验模态分解(CEEMD)完成一维信号向高维空间的映射。利用相空间重构方法对高维空间进行处理，剔除噪声成分。分别利用相空间重构逆过程和分量求和重构出一维信号。最终利用Hilbert-FFT进行包络解调，提取故障特征。利用滚动轴承实验系统进行对比分析和验证，分析表明:较传统小波降噪(WT)，所提方法可提升信噪比，体现良好的降噪效果，能够用于轴承故障诊断。基于包数方法的局部切空间重构具有更好的降噪性能，但运行时间较长。基于CEEMD的局部切空间重构降噪欠佳，不过重构简单，耗时较短。
　　(3)研究了基于LTSA-KNN分类器的故障识别方法。针对LTSA的效果受近邻数k值影响较大的缺点，提出基于聚类准则的LTSA-KNN分类器的诊断模型。选取13种时域特征参数构建高维特征矩阵，然后对高维矩阵进行标准化预处理，依据聚类准则确定LTSA中的最佳近邻数k，利用LTSA完成三维映射以观察聚类情况。将三维矩阵划分成训练样本和测试样本输入到KNN分类器进行故障分类。采用滚动轴承诊断实验系统和风力机状态监测实验系统分别采集轴承信号和齿轮信号进行验证，结果表明:基于聚类准则的优化方法可有效地克服近邻数k选择的盲目性，提高了局部切空间的降维精度和故障模式识别正确率，其在维数约简方面，效果优于主成分分析-KNN分类器诊断模型、拉普拉斯特征映射-KNN分类器诊断模型和BP神经网络，适用于轴承和齿轮故障识别。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．2．1 基于最小熵反褶积的故障特征提取方法国内外研究现状

1．2．2 基于局部切空间重构降噪的故障特征提取方法国内外研究现状

1．2．3 基于局部切空间排列算法的模式识别方法国内外研究现状

1．3 课题来源及主要研究内容

1．4 论文结构安排

第二章 基于最小熵反褶积的故障特征提取方法

2．1 最小熵反褶积的基本原理及仿真

2．2 基于智能优化算法的故障特征提取方法

2．2．1 果蝇和粒子群优化算法

2．2．2 基于果蝇优化的最小熵反褶积故障特征提取方法

2．2．3 基于粒子群优化的最小熵反褶积故障特征提取方法

2．3 方法验证与分析

2．3．1 实验条件

2．3．2 验证结果与分析

2．4 本章小结

第三章 基于局部切空间重构降噪的故障特征提取方法

3．1 局部切空间主流形重构的基本原理及仿真

3．2 高维空间构建

3．2．1 相空间重构的基本原理

3．2．2 本征模态函数重构

3．3 基于包数方法与局部切空间重构的故障特征提取方法

3．3．1 包数方法的基本原理及仿真

3．3．2 基于相空间重构的主流形降噪方法

3．3．3 基于本征模态函数重构的主流形降噪方法

3．4 方法验证与分析

3．4．1 实验条件

3．4．2 验证结果与分析

3．5 本章小结

第四章 基于局部切空间排列算法的故障模式识别方法

4．1 聚类准则改进的局部切空间排列算法

4．2 基于改进的局部切空间排列算法的模式识别方法

4．2．1 特征参数集的构建

4．2．2 分类器的选择

4．2．3 基于LTSA-K-最近邻分类器的模式识别方法

4．3 传统的模式识别方法

4．3．2 基于LE-K-最近邻分类器的模式识别方法

4．3．3 基于BP神经网络的模式识别方法

4．4 方法验证与分析

4．4．1 滚动轴承信号验证

4．4．2 齿轮信号验证

4．5 本章小结

第五章 结论与展望

5．1 研究成果总结

5．2 后续研究方向

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介