论文部分内容阅读
对大型化、结构复杂化的机械设备进行全面的故障诊断,就必须采集大量的机械设备振动信号信息,不可避免的形成了“机械大数据”问题。然而,信息科学技术的发展又迫切需要去揭示蕴含在海量机械数据中的本质信息和规律。因此,如何从旋转机械产生的大量信息中挖掘出真实、有价值的故障信息是当前故障诊断中一个具有挑战性的课题。长期以来,线性模型的研究一直是机器学习发展的主流方向。众多线性特征提取方法在很多领域取得了较好的应用效果,已经被证明是有效的。然而在工程实践中,机械设备的振动信号往往是非平稳的,导致提取的特征呈非线性分布,使不同特征之间相互影响、相互制约。此时,传统的线性降维方法并不能有效地挖掘存在于非线性数据中的内在信息。而流形学习方法能够自动探索出低维流形的本征维数,说明基于流形学习的维数约简方法是合理和可行的。全文以流形学习理论为基础对转子故障特征集进行降维处理,通过智能分类器进行故障的识别,主要研究工作与取得的研究结论情况如下:(1)针对线性判别分析方法(LDA)难以挖掘出非平稳振动信号其量化特征数据的流形结构的问题,提出一种基于局部边缘判别投影(LMDP)的故障数据集降维方法。该算法定义了局部类间相似度和局部类内相似度,使相邻的异类在低维空间中离的更远、相邻的同类样本在低维空间中离的更近。通过两个不同型号的双转子系统采集的振动信号集合验证了该方法的有效性。(2)为了提高转子故障特征集的识别精度,提出一种局部质心均值最小距离鉴别投影(LCMMDP)与基于局部均值与类均值的K-近质心近邻分类算法(KNCNCM)相结合的故障数据集故障诊断方法。该方法通过LCMMDP提取出低维敏感特征子集,利用KNCNCM进行故障模式识别。所提方法集成了LCMMDP在维数约简和KNCNCM在模式识别的优势,通过转子故障数据集和仿真数据集验证了该方法的有效性。(3)为了解决转子故障数据中样本点的近邻关系不平衡问题,提出一种基于局部与全局平衡的正交判别投影(LGBODP)的故障数据集降维方法。从时域、频域和时频域多个角度提取转子振动信号的量化特征,构建原始高维故障特征集,通过LGBODP得到最能反映故障本质的判别特征子集,将得到的低维特征子集输入到K近邻分类器中进行故障模式辨识。通过两个不同型号的双转子系统的振动信号集合验证了该方法的有效性。