基于信號局部特征提取的機械故障診斷方法研究.pdf

1、人們對現(xiàn)代化生產系統(tǒng)運行可靠性和安全性越來越高的要求，是機械故障診斷技術產生并迅速發(fā)展的原因。隨著機械設備向高速化、重載化、大型化和和復雜化方向發(fā)展，傳統(tǒng)故障診斷技術越來越難以滿足診斷需求。信號分析技術和人工智能方法的發(fā)展為提高故障診斷水平提供了有力工具。本文結合“車輛變速箱檢測試驗臺”、。“車輛分動器檢測試驗臺”、“車輛變速箱齒輪檢測試驗臺”等項目，針對機械設備發(fā)生故障時振動信號往往表現(xiàn)出時變性、非平穩(wěn)性特點，以齒輪和軸承為對象，圍繞

2、故障特征信息提取和智能診斷方法這兩個核心問題開展研究，重點在于基于信號局部特征的分析方法和基于AIS(Artificial Immune System)的智能診斷模型及其應用。主要工作和研究成果如下：
　　 (1)介紹了研究對象的主要故障形式、振動產生機理和信號特點，以及實際中振動信號的測量和傳播路徑的影響，為后續(xù)章節(jié)奠定基礎。
　　 (2)針對測得的信號中伴有背景信號和噪聲，研究了形態(tài)小波降噪和特征提取方法?；谛螒B(tài)小

3、波的一般框架構造了極值提升形態(tài)小波和復合結構元素形態(tài)非抽樣小波兩種形態(tài)小波，將其用于沖擊信號特征的提取，具有比傳統(tǒng)小波和解調分析更強的特征提取能力；將極值提升形態(tài)小波應用于齒輪和軸承的小波灰度矩分析，結果表明極大改善了其對信號局部時頻能量分布特征的刻畫能力。
　　 (3)針對一般方法的基對信號局部特征不具有自適應性，研究了基于局域波的特征提取方法。提出了一種改進局域波分解特征提取性能的方法，根據(jù)局域波互信息剔除噪聲分量和虛假分量

4、，并引入形態(tài)小波分析，以抑制模態(tài)混疊和虛假分量，提高了信號分解的準確性和瞬時參數(shù)提取的時效性。在此基礎上，提出局域波域的信息熵特征分析方法，用于定量刻畫信號在基本模式空間中分布的復雜度。用實例驗證了其有效性。
　　 (4)針對特征的重要性不同及其相關性和冗余性，結合局域波分析，從特征提取和特征選擇兩個方面研究了獲得對分類有利的特征子集、改善分類性能的方法：核主元分析—最小二乘支持向量機和貝葉斯證據(jù)框架—序列后向選擇—最小二乘支持

5、向量機。前者通過核主元分析將數(shù)據(jù)映射到高維特征空間，在抑制冗余度和噪聲的基礎上進行特征提?。缓笳哌\用啟發(fā)式搜索策略，在分類器學習過程中實現(xiàn)自適應的多特征子集選擇優(yōu)化。用實例驗證了以上方法在提高分類器的學習和泛化性能上的有效性。
　　 (5)AIS本質上是模擬生物體自身的故障診斷機制，具有很好的可解釋性．基于免疫識別和免疫網(wǎng)絡隱喻機制，提出了基于V—detector算法的故障診斷模型和RS—ABNet故障診斷模型，前者適于處理低維