论文部分内容阅读
随着生产发展和科学技术的现代化,使得现代机械设备的结构愈加复杂,各种各样的功能也愈发全面,机械设备自动化的程度也在不断的提高,给经济发展提供了重要贡献。而轴系设备是其中重要的组成结构。由于许多因素的影响,轴系设备具有其使用寿命,且容易发生故障,可能导致降低其预期功效,停止运转等,甚至造成更严重的灾难性事故。及时发现故障,识别故障类型,不仅有助于延长其使用寿命,也能够有效的避免危险事故的发生。因此,轴系设备故障诊断方法的研究是十分重要的。近年来,随着机器学习算法的飞速发展,因其自动化程度高,速度快等优势,被广泛的应用于各类设备的故障诊断中。因此,本文针对基于机器学习的轴系设备故障诊断方法展开研究,主要包括三大步骤:数据采集,数据预处理,分类器训练与分类。即,采用传感器对设备状态进行监测,对采集到的数据进行预处理以提取特征信息,基于特征信息设计模态分类器,对设备当前运行模态进行诊断。仿真数据由ZHS-2型柔性转子试验台得到。创新性工作主要体现在数据预处理阶段和分类器训练阶段。主要包括如下工作:1.为得到机器学习训练和测试样本,则需要对原始时域数据进行分割。对于轴系设备而言,以单个旋转周期为分割标准时,样本内蕴含的特征不足;以较多倍周期进行分割时,样本包含的数据量较大;可能影响机器学习分类器的训练和测试效率。针对该问题,本文结合信息融合思想,提出了三种基于非固有周期的数据融合预处理方法:折段加权融合预处理方法、折段合并融合预处理方法,直接融合预处理方法,以对多倍周期分割处理后的数据进一步深层预处理。通过仿真实验验证了上述方法的有效性和可行性。2.针对传统机器学习分类器参数无法更新的问题和无法对未经训练的未知故障数据分类的问题,提出了基于卡尔曼滤波的核序贯极限学习机的轴系设备故障诊断方法。它可以在后续测试过程中依据测试数据不断更新参数,以达到跟踪故障的目的。另提出构建基于卡尔曼滤波的多序贯核极限学习机网络,通过设置阈值以判定未知运行模式数据是否经过训练。并为未经训练的数据自动构建新的分类器以对其分类,用于对未知故障的检测与诊断。通过仿真分析并与其它方法进行对比,验证了所提出方法的有效性。3.针对故障发生早期易受噪声淹没的问题,提出将多传感器融合与循环双谱切片分析相结合的故障诊断方法。利用多传感器融合以增强故障发生早期所采集数据内蕴含的主要特征,对融合后的数据进行循环双谱估计。通过分析循环双谱在频谱峰值处频率的切片,提取处故障特征频率。将该频率与故障类型一一对应,利用这样的映射关系即可快速得到故障类型。在故障发生早期利用较少的数据即可实现早期故障的故障诊断。并通过仿真分析对其进行验证。