機(jī)械加工過程中的早期故障微弱信號(hào)處理方法研究.pdf

1、機(jī)械制造加工業(yè)是國(guó)家工業(yè)發(fā)展的基礎(chǔ)，更是國(guó)家綜合實(shí)力的重要體現(xiàn)，高可靠性和近零故障是有效進(jìn)行機(jī)械制造加工的重要保障。早期故障診斷技術(shù)能夠及時(shí)發(fā)現(xiàn)機(jī)械加工過程早期故障的微弱信息，根據(jù)故障發(fā)生的位置、類別以及嚴(yán)重程度提供有效的維修決策，對(duì)于實(shí)現(xiàn)高效可靠的機(jī)械加工過程具有重大意義。然而，早期故障的微弱信號(hào)具有幅值微弱、低信噪比、故障特征冗余度高以及高維非線性的特點(diǎn)。因此，如何從監(jiān)測(cè)的低信噪比信號(hào)中，提取早期微弱故障特征，實(shí)現(xiàn)微弱信號(hào)主特征選擇

2、及高維非線性特征降維分析，有效實(shí)現(xiàn)機(jī)械加工故障的早期診斷是迫切需要解決的問題。
　　針對(duì)早期故障的低信噪比微弱信號(hào)處理問題，在傳統(tǒng)的經(jīng)驗(yàn)?zāi)B(tài)分解方法基礎(chǔ)上，提出了基于嵌入降噪的篩選迭代方法，對(duì)信號(hào)的篩選迭代分解過程進(jìn)行降噪分析和準(zhǔn)模態(tài)平滑處理，減小由端點(diǎn)缺失造成的扭曲現(xiàn)象，以解決噪聲干擾和迭代誤差造成的端點(diǎn)效應(yīng)問題；同時(shí)，提出了基于相關(guān)分析的停止準(zhǔn)則，考慮了迭代過程準(zhǔn)模態(tài)間的局部關(guān)系，及分解模態(tài)與信號(hào)相關(guān)關(guān)系的全局特性，達(dá)到消除經(jīng)

3、驗(yàn)?zāi)B(tài)分解冗余模態(tài)的目的。對(duì)早期故障信號(hào)和低信噪比微弱信號(hào)的分析，以及與基于預(yù)測(cè)延拓的端點(diǎn)效應(yīng)抑制方法的對(duì)比分析，驗(yàn)證了提出的方法解決經(jīng)驗(yàn)?zāi)B(tài)分解方法端點(diǎn)效應(yīng)和冗余模態(tài)的能力，為實(shí)現(xiàn)早期故障信號(hào)及低信噪比微弱信號(hào)的分析提供理論及技術(shù)支持。
　　從空間域和頻域分析了小幅值微弱信號(hào)，通過功率譜密度方法、二維小波方法和二維經(jīng)驗(yàn)?zāi)B(tài)分解方法實(shí)現(xiàn)了微弱信號(hào)各頻域分量的提取；并針對(duì)傳統(tǒng)二維經(jīng)驗(yàn)?zāi)B(tài)分解方法的冗余模態(tài)問題，提出了基于嵌入降噪迭代

4、的二維經(jīng)驗(yàn)?zāi)B(tài)分解方法，在迭代分解過程中消除了包絡(luò)擬合造成的誤差。對(duì)精密加工小幅值微弱信號(hào)的分析表明，提出的方法有效實(shí)現(xiàn)了晶體表面微觀形貌的刀痕信息、進(jìn)給方向的紋理特征及加工缺陷的特征識(shí)別，能夠精確分析各形貌特征對(duì)晶體加工質(zhì)量的影響，為從加工缺陷機(jī)理上改善加工質(zhì)量提供技術(shù)支持。
　　針對(duì)早期故障微弱信號(hào)的主特征選擇問題，提出了基于動(dòng)態(tài)遺傳算法的主特征判定模型；研究高維非線性特征的動(dòng)態(tài)編碼機(jī)制，計(jì)算每個(gè)特征維度上特征集的適應(yīng)度值，并

5、選擇該特征維度的最優(yōu)特征集；根據(jù)精英保留策略動(dòng)態(tài)更新特征空間的維度，迭代計(jì)算該維度的最優(yōu)特征集；研究了基于受測(cè)試曲線分析（ROC）的系統(tǒng)敏感度辨識(shí)模型，對(duì)于設(shè)備的多元狀態(tài)識(shí)別模型，分別計(jì)算每個(gè)模型的敏感度和特異性值，根據(jù)多元狀態(tài)的辨識(shí)指標(biāo)和特征累積頻率判定系統(tǒng)的主特征。通過對(duì)轉(zhuǎn)子和軸承性能衰退過程早期故障分析，以及與其它五種特征選擇方法對(duì)比分析，表明提出的主特征選擇方法能夠以較小的特征維度獲得較高的分類正確率。
　　針對(duì)早期故障微

6、弱信號(hào)高維非線性特征的降維問題，提出了考慮全局特征的互信息特征加權(quán)和流形優(yōu)化的監(jiān)督式局部線性嵌入方法。結(jié)合樣本的類別信息，通過基于互信息分析的特征加權(quán)方法，保留全局特征的完整性并突出主要貢獻(xiàn)的特征，實(shí)現(xiàn)了樣本點(diǎn)鄰域的加權(quán)選擇；在此基礎(chǔ)上，采用極大似然法實(shí)現(xiàn)了樣本特征在低維空間的流形維度估計(jì)，和基于偏最小二乘法的測(cè)試樣本流形映射。針對(duì)監(jiān)督式局部線性嵌入方法獲得低維流形的冗余性問題，通過基于互信息分析的流形排序方法，選擇低維空間的最優(yōu)流形組