轉子故障的小波尺度譜數字特征提取與診斷技術研究.pdf

1、振動信號是旋轉機械狀態(tài)監(jiān)測與故障診斷的基本信息來源，而這些信號通常為非線性、非高斯的非平穩(wěn)信號。通過小波變換所得的故障信號的小波尺度譜，其紋理分布及灰度變化能夠較好的反映出故障的非平穩(wěn)特征，對其進行特征提取并應用于故障診斷中，有利于轉子故障的智能診斷。目前提出的小波尺度譜特征提取的方法主要有基于小波系數矩陣的一階灰度矩向量以及尺度譜紋理特征。上述兩種尺度譜特征提取的方法，從圖像像素的二階統(tǒng)計特性方面對故障特征進行了描述，提取了較好的故障

2、特征，但未對故障的非線性特征進行相應的分析，忽略了圖像中的高階統(tǒng)計信息。針對上述問題，本文提出了利用核主成分分析(KPCA)對尺度譜圖像進行特征的提取，并利用參數自適應支持向量機模型對提取的尺度譜特征進分類，結果表明了該方法對尺度譜特征提取的有效性。
　　 第一，闡述了連續(xù)小波變換的基本原理，小波基函數的性質和本文中選擇小波基函數的依據。分析和研究了轉子不平衡、不對中、碰摩及油膜渦動等四類典型轉子故障的故障機理、頻譜特征和相應的

3、尺度譜圖像特征。
　　 第二，對尺度譜的一階灰度矩向量、尺度譜紋理特征的提取方法進行了介紹。研究了核方法的基本原理以及幾種常用的典型核函數，介紹了主成分分析(PCA)的基本方法和原理，并將核方法與PCA方法結合，提出了基于核主成分分析(KPCA)的小波尺度譜特征提取方法。利用ZT-3多功能轉子故障模擬實驗系統(tǒng)、航空發(fā)動機轉子故障實驗器對上述四類故障進行數據模擬和采集。提取了上述故障樣本的小波尺度譜圖像特征，并對所得的特征數據進行

4、了分析研究。
　　 第三，研究了支持向量機分類模型的原理和其在學習分類中的優(yōu)越性。針對目前支持向量機模型參數的確定尚無標準的方法，研究了核函數參數σ及支持向量機懲罰因子C，對模型分類效果的影響，并采用遺傳算法對上述兩個參數進行了優(yōu)化，構造形成了參數自適應的支持向量機模型。最后運用該模型對所提取的尺度譜特征進行分類識別。實驗結果表明，利用KPCA方法所提取的尺度譜數字特征具有較強的故障識別能力，通過該方法提取的特征可以有效的實現(xiàn)轉