機械狀態(tài)流形特征增強理論及監(jiān)測診斷方法研究.pdf

1、本論文以機械設備狀態(tài)的精確辨識與故障的有效診斷為研究目標，著眼于流形學習對本質特征信息上的挖掘能力，通過分析基于狀態(tài)維護的狀態(tài)特征、模式特征、信號特征三種特征信息的特點，在理論上提出了參照化流形、深度化流形以及稀疏化流形三種流形增強學習新模式，在內容實現(xiàn)了對狀態(tài)差異特征、模式敏感特征、信號模態(tài)特征的流形增強學習，建立了一種流形特征增強學習的設備狀態(tài)監(jiān)測與故障診斷的研究體系，并分別就上述三種流形增強學習的若干理論和問題進行了深入研究。

2、r>　　在設備狀態(tài)特征增強學習中，基于機械設備具有長期健康運行、非健康狀態(tài)同健康狀態(tài)存在著相對較大差異的物理特點，對監(jiān)測樣本建立以相同數(shù)據(jù)為參照樣本的實時比對模型，利用流形學習獲取該模型參照化流形特征空間，通過分析空間聚類遷移變化來刻畫設備狀態(tài)的退化情況。該參照化流形空間聚類分布有效地突出了監(jiān)測狀態(tài)相比于健康狀態(tài)的變化信息，揭露了設備狀態(tài)的差異特征?；跔顟B(tài)特征構造方式和流形空間的不同，分別發(fā)展了多元統(tǒng)計特征的流形空間聚類和無特征的拉斯

3、曼流形流形基空間聚類兩種狀態(tài)監(jiān)測方案。并進一步提出了參照化流形空間聚類控制圖，實現(xiàn)對設備狀態(tài)退化的多階段量化分析以及早期退化時刻的放大和報警。
　　在故障模式特征增強學習中，基于參照化流形對于差異性特征增強的作用，建立多單元比對模型對原始特征形成擴展學習、進一步利用多層流形學習實現(xiàn)對特征的級聯(lián)式多層學習。通過這種多層化學習方式，建立了如同多層神經網(wǎng)絡特征學習模式，在這種特征擴展再學習過程中完成對模式敏感特征的增強學習。本文利用這種

4、級聯(lián)式深度化流形學習方式，提出了多比對模型的兩層流形特征增強算法，有效的增強了不同故障類型之間的差異性、增強了模式特征敏感性，對于實際故障識別顯示了與傳統(tǒng)的流形特征識別方法的優(yōu)越性。
　　在信號模態(tài)特征增強學習中，利用時頻流形能夠提取瞬態(tài)特征本質信息的優(yōu)勢，引入稀疏分析原理，完成兩者優(yōu)勢互補，重新建立一種稀疏化流形特征學習新模式，實現(xiàn)對信號稀疏模態(tài)特征的深度挖掘與再學習，克服傳統(tǒng)時頻流形學習在原始瞬態(tài)特征失真以及無法去除強噪聲的缺

5、陷?；谶@種稀疏化流形分析的思想，分別提出了時頻匹配稀疏和包絡移不變稀疏的流形模態(tài)特征增強方法，實現(xiàn)了對原始信號波形特征的保持與恢復，有利于精確的故障模態(tài)診斷研究。
　　綜上所述，本論文研究了流形特征增強學習在CBM中的理論方法，包括狀態(tài)監(jiān)測預警、故障模式識別、故障信號診斷三個方面，提出了參照化流形、深度化流形以及稀疏化流形特征增強學習方法，進行了一次較為完整的特征增強學習的研究。和傳統(tǒng)方法對比，流形特征增強可以實現(xiàn)更有效、更精準