基于變量預(yù)測(cè)模型模式識(shí)別的旋轉(zhuǎn)機(jī)械故障診斷研究.pdf

1、隨著科學(xué)技術(shù)的發(fā)展，故障診斷技術(shù)逐漸成為了保障旋轉(zhuǎn)機(jī)械設(shè)備安全可靠運(yùn)行的核心支持技術(shù)之一。對(duì)旋轉(zhuǎn)機(jī)械故障診斷新技術(shù)、新方法的研究具有重要的理論和實(shí)際意義。
　　旋轉(zhuǎn)機(jī)械故障診斷技術(shù)的實(shí)質(zhì)是模式識(shí)別的問(wèn)題。模式識(shí)別方法的選擇與運(yùn)用對(duì)提高故障診斷的精度和穩(wěn)定性具有十分重要的作用。在旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域，廣泛使用的模式識(shí)別方法有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等，但這些方法都存在著各自的局限性，且沒(méi)能充分利用特征變量之間的相互內(nèi)在關(guān)系。實(shí)際上，通過(guò)

2、現(xiàn)代信號(hào)處理方法提取的特征值之間往往存在一定的相互內(nèi)在關(guān)系，不同的系統(tǒng)或者同一系統(tǒng)不同的狀態(tài)，相互內(nèi)在關(guān)系的數(shù)學(xué)表達(dá)式存在明顯差異。
　　基于變量預(yù)測(cè)模型模式識(shí)別(Variable Predictive Model Based ClassDiscriminate，VPMCD)方法是一種新的模式識(shí)別方法。VPMCD方法能充分利用各個(gè)特征值之間的相互內(nèi)在關(guān)系建立變量預(yù)測(cè)模型(Variable Predictive Model，VPM)

3、的數(shù)學(xué)表達(dá)式，從而進(jìn)行分類(lèi)識(shí)別。為了將VPMCD方法應(yīng)用于小樣本多分類(lèi)的旋轉(zhuǎn)機(jī)械故障診斷，本文在國(guó)家自然科學(xué)基金項(xiàng)目的資助下(編號(hào):51175158)，對(duì)VPMCD方法的關(guān)鍵理論及其在小樣本多分類(lèi)的旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用進(jìn)行了深入而系統(tǒng)地研究。本文主要的研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:
　　(1)研究了VPMCD方法的基本原理和具體算法，總結(jié)了VPMCD方法的特點(diǎn)，將VPMCD方法與神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法進(jìn)行了對(duì)比研究，分析結(jié)果表明:

4、VPMCD方法在分類(lèi)性能、運(yùn)算速度等諸多方面具有明顯的優(yōu)勢(shì)。
　　(2)針對(duì)原VPMCD方法中模型參數(shù)估計(jì)方法存在的不足，提出了采用加權(quán)最小二乘參數(shù)估計(jì)來(lái)代替最小二乘參數(shù)估計(jì)，從而改進(jìn)VPMCD方法，仿真分析結(jié)果證表明，改進(jìn)后的VPMCD方法在更少的訓(xùn)練樣本下，可以取得了更高的模型擬合精度。
　　(3)針對(duì)具體的旋轉(zhuǎn)機(jī)械故障診斷問(wèn)題，結(jié)合最新的現(xiàn)代信號(hào)處理技術(shù)，提出了多種特征提取方法:LMD(Local Mean Decom

5、position，LMD)能量矩的特征提取方法，改進(jìn)ITD(Intrinsic Time-scale Decomposition，ITD)特征提取方法，LCD(Local Characteristic-scale Decomposition，LCD)和模糊熵相結(jié)合的特征提取方法，LCD和SVD(Singular Value Decomposition，SVD)相結(jié)合的LCD-SVD特征提取方法，以及多尺度高階奇異譜特征提取方法。結(jié)合以上

6、特征提取方法，提出了各種基于VPMCD的故障診斷模型，并通過(guò)應(yīng)用實(shí)例驗(yàn)證了論文提出的各種模型均能有效性地應(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域。
　　(4)針對(duì)原VPMCD方法的模型選擇單一、信息利用不充分的問(wèn)題，結(jié)合遺傳算法(Genetic algorithm，GA)，提出了GA-VPMCD分類(lèi)識(shí)別方法。首先采用回代(Re-substitution，RS)驗(yàn)證或者交叉驗(yàn)證方法，結(jié)合模型檢驗(yàn)，選取驗(yàn)證精度最高，且模型擬合優(yōu)度最高的模型作為弱V

7、PM;然后，采用模型融合的思想，利用遺傳算法融合各個(gè)弱VPM的預(yù)測(cè)值得到最佳預(yù)測(cè)值;最后，依據(jù)誤差平方和最小來(lái)實(shí)現(xiàn)分類(lèi)識(shí)別。結(jié)合階次包絡(luò)分析技術(shù)，將GA-VPMCD方法應(yīng)用于變速滾動(dòng)軸承故障診斷;結(jié)合多尺度高階奇異譜分析，將GA-VPMCD方法應(yīng)用于轉(zhuǎn)子故障診斷;實(shí)驗(yàn)結(jié)果表明，GA-VPMCD方法有效提高了故障診斷精度和穩(wěn)定性。
　　(5)針對(duì)特征選擇問(wèn)題，將VPMCD方法與ANN、平均影響值(Mean ImpactValue，M

8、IV)相結(jié)合，提出了ANN-MIV-VPMCD分類(lèi)識(shí)別方法，并進(jìn)一步提出了基于LCD-SVD和ANN-MIV-VPMCD的滾動(dòng)軸承故障診斷模型。實(shí)驗(yàn)結(jié)果驗(yàn)證了ANN-MIV-VPMCD方法的有效性和優(yōu)越性。
　　(6)在多數(shù)情況下，旋轉(zhuǎn)機(jī)械故障診斷面臨只有正常樣本，或者故障模式不完備、典型故障樣本缺乏。針對(duì)這個(gè)問(wèn)題，提出了OC-VPMCD新異類(lèi)檢測(cè)方法，并應(yīng)用于旋轉(zhuǎn)機(jī)械新異類(lèi)檢測(cè)。實(shí)驗(yàn)分析結(jié)果表明，OC-VPMCD方法能有效地應(yīng)用