基于局部切空間排列算法的故障特征提取及識別方法研究.pdf

1、大型旋轉(zhuǎn)機械通常運行工況復(fù)雜，傳感器采集到的振動信號大多伴有非線性、非穩(wěn)定性特征，因此，以振動信號為目標(biāo)的故障診斷工作變得愈加艱難。本論文把旋轉(zhuǎn)機械包含的重要組件軸承和齒輪作為研究對象，開展了基于局部切空間排列算法(LTSA)的特征提取及識別方法研究。改進最小熵反褶積(MED)方法，提高了微弱信號的信噪比，并結(jié)合LTSA開展相關(guān)研究:基于包數(shù)方法與局部切空間降噪的故障特征提取方法及基于LTSA與K-最近鄰分類器(KNN分類器)的軸承故障

2、識別方法。主要研究內(nèi)容如下:
　　(1)研究了果蠅優(yōu)化算法(FOA)和粒子群優(yōu)化算法(PSO)改進MED的診斷方法。針對強噪聲背景下最小熵反褶積使信號有用信息丟失，以及MED方法得到濾波系數(shù)存在局部最優(yōu)和終止條件參數(shù)選取不適造成的信號的過降噪等問題，引入智能優(yōu)化方法改進MED替代MED中目標(biāo)函數(shù)求解方法(Objective Function Method，OFM)，作為MED前處理器，尋求最佳濾波系數(shù)。分別提出基于FOA和基于PS

3、O的兩種改進MED方法，所提方法能夠?qū)で笕肿顑?yōu)逆濾波器系數(shù)，剔除強噪聲成分。利用低速軸承實驗臺分別對兩種方法進行驗證與分析，結(jié)果表明:兩種方法能夠有效削減噪聲，可有效提取故障特征，在信號降噪方面取得較好的效果。同時對比兩種方法，F(xiàn)OA改進算法在非線性降噪方面具有更好的效果，更適用于軸承微弱故障診斷。
　　(2)研究了基于包數(shù)與局部切空間重構(gòu)降噪方法，用以解決局部切空間重構(gòu)方法中約簡維數(shù)隨意選取可能導(dǎo)致相空間的主流形畸變，使得降噪

4、效果降低等問題。為更多挖掘信號的有用信息，利用相空間重構(gòu)技術(shù)、互補的總體經(jīng)驗?zāi)B(tài)分解(CEEMD)完成一維信號向高維空間的映射。利用相空間重構(gòu)方法對高維空間進行處理，剔除噪聲成分。分別利用相空間重構(gòu)逆過程和分量求和重構(gòu)出一維信號。最終利用Hilbert-FFT進行包絡(luò)解調(diào)，提取故障特征。利用滾動軸承實驗系統(tǒng)進行對比分析和驗證，分析表明:較傳統(tǒng)小波降噪(WT)，所提方法可提升信噪比，體現(xiàn)良好的降噪效果，能夠用于軸承故障診斷?；诎鼣?shù)方法的

5、局部切空間重構(gòu)具有更好的降噪性能，但運行時間較長?；贑EEMD的局部切空間重構(gòu)降噪欠佳，不過重構(gòu)簡單，耗時較短。
　　(3)研究了基于LTSA-KNN分類器的故障識別方法。針對LTSA的效果受近鄰數(shù)k值影響較大的缺點，提出基于聚類準(zhǔn)則的LTSA-KNN分類器的診斷模型。選取13種時域特征參數(shù)構(gòu)建高維特征矩陣，然后對高維矩陣進行標(biāo)準(zhǔn)化預(yù)處理，依據(jù)聚類準(zhǔn)則確定LTSA中的最佳近鄰數(shù)k，利用LTSA完成三維映射以觀察聚類情況。將三維矩