機械加工過程中的早期故障微弱信號處理方法研究.pdf

1、機械制造加工業(yè)是國家工業(yè)發(fā)展的基礎，更是國家綜合實力的重要體現，高可靠性和近零故障是有效進行機械制造加工的重要保障。早期故障診斷技術能夠及時發(fā)現機械加工過程早期故障的微弱信息，根據故障發(fā)生的位置、類別以及嚴重程度提供有效的維修決策，對于實現高效可靠的機械加工過程具有重大意義。然而，早期故障的微弱信號具有幅值微弱、低信噪比、故障特征冗余度高以及高維非線性的特點。因此，如何從監(jiān)測的低信噪比信號中，提取早期微弱故障特征，實現微弱信號主特征選擇

2、及高維非線性特征降維分析，有效實現機械加工故障的早期診斷是迫切需要解決的問題。
　　針對早期故障的低信噪比微弱信號處理問題，在傳統的經驗模態(tài)分解方法基礎上，提出了基于嵌入降噪的篩選迭代方法，對信號的篩選迭代分解過程進行降噪分析和準模態(tài)平滑處理，減小由端點缺失造成的扭曲現象，以解決噪聲干擾和迭代誤差造成的端點效應問題；同時，提出了基于相關分析的停止準則，考慮了迭代過程準模態(tài)間的局部關系，及分解模態(tài)與信號相關關系的全局特性，達到消除經

3、驗模態(tài)分解冗余模態(tài)的目的。對早期故障信號和低信噪比微弱信號的分析，以及與基于預測延拓的端點效應抑制方法的對比分析，驗證了提出的方法解決經驗模態(tài)分解方法端點效應和冗余模態(tài)的能力，為實現早期故障信號及低信噪比微弱信號的分析提供理論及技術支持。
　　從空間域和頻域分析了小幅值微弱信號，通過功率譜密度方法、二維小波方法和二維經驗模態(tài)分解方法實現了微弱信號各頻域分量的提?。徊⑨槍鹘y二維經驗模態(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、的二維經驗模態(tài)分解方法，在迭代分解過程中消除了包絡擬合造成的誤差。對精密加工小幅值微弱信號的分析表明，提出的方法有效實現了晶體表面微觀形貌的刀痕信息、進給方向的紋理特征及加工缺陷的特征識別，能夠精確分析各形貌特征對晶體加工質量的影響，為從加工缺陷機理上改善加工質量提供技術支持。
　　針對早期故障微弱信號的主特征選擇問題，提出了基于動態(tài)遺傳算法的主特征判定模型；研究高維非線性特征的動態(tài)編碼機制，計算每個特征維度上特征集的適應度值，并

5、選擇該特征維度的最優(yōu)特征集；根據精英保留策略動態(tài)更新特征空間的維度，迭代計算該維度的最優(yōu)特征集；研究了基于受測試曲線分析（ROC）的系統敏感度辨識模型，對于設備的多元狀態(tài)識別模型，分別計算每個模型的敏感度和特異性值，根據多元狀態(tài)的辨識指標和特征累積頻率判定系統的主特征。通過對轉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。
　　針對早期故障微

6、弱信號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和流形優(yōu)化的監(jiān)督式局部線性嵌入方法。結合樣本的類別信息，通過基于互信息分析的特征加權方法，保留全局特征的完整性并突出主要貢獻的特征，實現了樣本點鄰域的加權選擇；在此基礎上，采用極大似然法實現了樣本特征在低維空間的流形維度估計，和基于偏最小二乘法的測試樣本流形映射。針對監(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