基于流形學(xué)習(xí)的旋轉(zhuǎn)機械故障診斷方法研究.pdf

1、故障診斷需解決的基本問題是根據(jù)傳感器采集到的機械設(shè)備運行狀態(tài)信號，提取特征參量，設(shè)計決策函數(shù)，最終求出其故障狀態(tài)，核心是特征提取和模式識別問題。由于機械設(shè)備運行狀態(tài)復(fù)雜、工作環(huán)境惡劣、運行時間較長，因此其狀態(tài)信號具有數(shù)據(jù)量大、非線性程度高、噪聲干擾強等特性，人們對這些龐大而復(fù)雜的數(shù)據(jù)信息地駕馭和處理越來越難，表現(xiàn)在一方面我們可以獲取的數(shù)據(jù)量越來越大，而另一方面卻難以得到更多有助于決策的信息。從2000年開始發(fā)展起來的流形學(xué)習(xí)方法，將數(shù)據(jù)

2、分析與狀態(tài)決策從歐氏空間擴展到流形，從而能夠從分布在高維流形上的數(shù)據(jù)集中高效快速地挖掘出數(shù)據(jù)的本質(zhì)特征，找到數(shù)據(jù)產(chǎn)生的內(nèi)在規(guī)律，達到準確故障診斷的目的。論文主要進行了以下研究工作：
　　 在非線性降噪方面，提出三種流形學(xué)習(xí)降噪方法。基于本征維數(shù)的局部切空間降噪方法，直接將高維相空間數(shù)據(jù)直接約簡到信號主流形所在的本征維數(shù)空間上，再反求一維信號實現(xiàn)對信號的降噪，避免了主流形提取時約簡目標(biāo)維數(shù)的盲目性。局部切空間均值重構(gòu)降噪方法，將局

3、部切空間降噪后的低維數(shù)據(jù)在全局范圍內(nèi)通過求取各點均值的方法重構(gòu)到原高維空間，相當(dāng)于對各點的局部坐標(biāo)進行均值處理，實質(zhì)是二次降噪，避免了相空間數(shù)據(jù)在全局排列過程中出現(xiàn)相點畸變的問題?；诟唠A累積量的局部切空間降噪方法，利用高階累積量理論上可完全抑制高斯有色噪聲干擾的特性，用四階累積量函數(shù)代替二階矩函數(shù)構(gòu)造協(xié)方差矩陣，提高了對含有色噪聲信號的降噪效果。
　　 為解決了局部Fisher判別分析求解不對稱特征方程時得出的投影基向量不正交

4、使得數(shù)據(jù)重建困難的問題，提出了基于迭代正交和Schur正交的局部Fisher判別方法。通過迭代正交或Schur正交分解的方法構(gòu)建正交基函數(shù)，可有效保留故障信號流形空間中的與近鄰距離有關(guān)的結(jié)構(gòu)信息，并在主特征求取的過程中，保留類別信息，使提取的主特征量能在盡量保持甚至降低類內(nèi)散度的同時，使得類間信號特征量之間的距離盡可能遠離，進而更好地實現(xiàn)故障診斷。
　　 將核方法引入正交局部Fisher判別中，提出了基于核的迭代正交和Schur

5、正交局部Fisher判別方法，通過非線性核函數(shù)將信號投影到高維特征空間，在此空間進行正交局部Fisher判別分析，進行故障特征提取，實現(xiàn)了線性流形學(xué)習(xí)方法到非線性方法的轉(zhuǎn)變，取得了比線性正交方法更好的故障診斷效果。
　　 以局部邊界鄰域點來構(gòu)建Fisher判別函數(shù)進行故障特征提取和診斷，提出局部邊界Fisher判別方法，直接利用鄰域空間邊界點對來計算局部類內(nèi)散度和類間散度，大大提高了方法效率。為避免偽邊界點干擾，還設(shè)計了用模糊聚

6、類來尋找真實局部邊界的方法。用核方法實現(xiàn)了局部模糊聚類邊界Fisher判別由線形向非線形方法的轉(zhuǎn)變，基于核的方法具有更強的故障診斷能力。
　　 在監(jiān)督流形學(xué)習(xí)方面，對增量局部切空間排列和線性局部切空間排列方法進行改進，并引入了非線性支持向量機分類器，提出了監(jiān)督增量局部切空間排列一支持向量機和監(jiān)督線性局部切空間排列一支持向量機故障診斷方法，既解決了非線性流形學(xué)習(xí)的泛化能力不足的問題，又增強了流形學(xué)習(xí)方法的故障診斷能力。