论文部分内容阅读
随着信息科技的发展,将信息技术应用于旋转机械构件,并在基于数据驱动的思维模式探索一种新的能够挖掘出机械运行状态内在属性,并且能够实时反映的方法,已是机械故障诊断发展的重要趋势。流形学习算法是一类非线性数据处理算法,它可以构建出高维空间中数据结构,并且已成功应用于数据降维及数据模式识别等范畴。核主元分析(Kernel Principal Component analysis,KPCA)对数据结构的全局距离能力较强,局部切空间排列(Local Tangent Space Alignment,LTSA)对数据结构的的局部聚拢能力较强。故本文提出一种可以兼顾这两种优点的KPCA-LTSA降维算法。此外,针对流形学习和故障诊断模式分类方法融合,提出一种基于变模态分解(Variational Mode Decomposition,VMD)、局部切空间排列和Gath-Geva(GG)聚类的故障诊断方法。主要的进展过程及取得的研究成果如下:(1)介绍六种典型的全局和局部流形学习算法的相关理论,比较分析这几个算法优弊端。研究两个算法相结合将其优弊端互补是有价值的思路。(2)针对传统数据降维方法无法兼顾保持全局距离信息与局部结构信息的问题,提出KPCA-LTSA降维算法。该算法借助核方法融合KPCA和LTSA算法,首先求解两个算法的核矩阵表达式,然后借助平衡参数求解新的核矩阵,最后计算低维坐标。人工数据集swissroll实验表明:该算法成功实现降维,且效果良好。(3)对双跨转子试验台上获取的状态信号构建原始故障特征数据集,然后利用不同平衡因子下的KPCA-LTSA、KPCA和LTSA算法进行降维分析并比较。通过实验分析表明:该融合算法能够成功实现转子故障数据集的维数约简,并且故障分类更清晰,相应的识别准确率得到了明显提升。(4)针对滚动轴承故障类型和损伤程度难以识别的问题,提出一种基于VMD分解、LTSA降维和GG模糊聚类相结合的滚动轴承故障分类方法。该方法通过对已知滚动轴承故障信号进行VMD分解确定高维敏感特征矩阵,然后利用LTSA算法实现二次特征提取,最后利用GG聚类得到已知故障信号的隶属度矩阵和聚类中心;计算待测信号初始隶属度矩阵与已知故障信号聚类中心的海明贴近度识别滚动轴承的故障类型和损伤程度。通过滚动轴承振动数据验证表明:该方法能够准确提取振动信号中包含的故障信息,实现不同故障类型及损伤程度的正确识别,为滚动轴承的故障分类提供了可靠依据。