基于拉普拉斯特征映射的旋轉(zhuǎn)機械故障診斷方法研究.pdf

1、轉(zhuǎn)子作為旋轉(zhuǎn)機械的核心部件，在整個機械的運作中扮演著至關(guān)重要的角色，轉(zhuǎn)子系統(tǒng)的運行狀況直接關(guān)乎到整臺機械的性能。轉(zhuǎn)子系統(tǒng)長期在高速、超負荷、長時間的等工作惡劣環(huán)境下極其容易出現(xiàn)各種故障，如果不及時對故障進行診斷維護、造成整機的失效和工業(yè)生產(chǎn)建設(shè)的進程帶來巨大的經(jīng)濟損失，同時潛在的也存在著安全隱患。文章以旋轉(zhuǎn)機械為研究對象，針對傳統(tǒng)時頻分析對故障診斷領(lǐng)域的一些不足和早期復(fù)合故障診斷中噪聲干擾大的問題，設(shè)計了故障模擬方案和深入研究了拉普拉斯

2、特征映射算法，利用流形學習方法提取轉(zhuǎn)子故障系統(tǒng)的有效特征。主要研究工作如下：
　　1）針對傳統(tǒng)時頻分析方法對信號高頻地帶冗余性和信號特征提取不完整的不足，提出了一種基于多尺度拉普拉斯特征映射（Multiscale-LE，MS-LE）的轉(zhuǎn)子故障診斷方法，多尺度分解故障信號，提高分辨率獲取信息，提取各尺度小波熵，同一故障所有狀態(tài)的小波熵構(gòu)成高維特征集合并進行本征維數(shù)估計，利用拉普拉斯特征映射算法(LE)以本征維數(shù)估計值為依據(jù)進行降維，

3、獲得低維特征映射，最終實現(xiàn)了轉(zhuǎn)子故障特征提取和識別，并比較了經(jīng)典的主成分分析算法(PCA)、局部線性嵌入算法(LLE)和LE方法，證明了多尺度拉普拉斯特征映射方法(MS-LE)對故障識別的有效性。
　　2）在機械設(shè)備的早期復(fù)合故障診斷中發(fā)現(xiàn)噪聲干擾強、傳統(tǒng)線性時頻方法對故障信息的潛在特征挖掘能力不強等問題，提出了基于流形子帶特征映射的故障診斷方法，利用小波包分析方法對噪聲的強烈抑制作用和信號分解多分辨率性，為了獲得完整特征的故障信

4、號首先對故障原始信號進行相空間重構(gòu)，然后信號分解成多個流形子帶，并以同一故障多種狀態(tài)的同一流形子帶組合成高維的本征特性數(shù)據(jù)空間并且對其進行本征維數(shù)估計，通過LE方法將高維數(shù)據(jù)空間的本質(zhì)特征映射到低維特征向量。最后，提取其信息熵值，通過實驗分析對比了經(jīng)典 LLE、LE方法和MS-LE方法，證明流形子帶特征映射方法對單故障和復(fù)合故障識別都具有實用性。
　　3）文本自主開發(fā)和設(shè)計了一套基于拉普拉斯特征映射的轉(zhuǎn)子故障診斷系統(tǒng)，包括參數(shù)設(shè)置