基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械早期故障融合診斷方法研究.pdf

1、隨著現(xiàn)代科學(xué)技術(shù)的迅猛發(fā)展，在工業(yè)制造、航空航天、石油化工、能源冶金以及國(guó)防工業(yè)等領(lǐng)域，逐步涌現(xiàn)出許多大型復(fù)雜的旋轉(zhuǎn)機(jī)械裝備，如風(fēng)力發(fā)電機(jī)、航空發(fā)動(dòng)機(jī)、工業(yè)燃?xì)廨啓C(jī)等，這些旋轉(zhuǎn)機(jī)械一旦發(fā)生故障，不但嚴(yán)重影響企業(yè)的生產(chǎn)效率，造成巨大的經(jīng)濟(jì)損失，甚至造成不可挽回的人員傷亡。解決因旋轉(zhuǎn)機(jī)械故障導(dǎo)致巨大經(jīng)濟(jì)損失、人員傷亡和災(zāi)難性事故發(fā)生的關(guān)鍵是開展旋轉(zhuǎn)機(jī)械早期故障診斷技術(shù)研究，即在故障萌芽階段對(duì)其進(jìn)行準(zhǔn)確的辨識(shí)，并據(jù)此指導(dǎo)保養(yǎng)和維修工作，有效地

2、控制故障發(fā)展，保障旋轉(zhuǎn)機(jī)械安全、可靠運(yùn)行。
　　大型旋轉(zhuǎn)機(jī)械結(jié)構(gòu)日益復(fù)雜、運(yùn)行環(huán)境惡劣、工況不穩(wěn)定，表征其運(yùn)行狀態(tài)的振動(dòng)信號(hào)具有非線性強(qiáng)噪聲特點(diǎn)，而旋轉(zhuǎn)機(jī)械早期故障特征微弱，淹沒于強(qiáng)噪聲環(huán)境中，難以提??；大型旋轉(zhuǎn)機(jī)械早期故障孕育于設(shè)備運(yùn)行的正常狀態(tài)且處于不斷發(fā)展變化中，故障原因與故障表征間映射關(guān)系模糊且早期故障樣本稀缺，故障辨識(shí)難度大；單一傳感器獲取的狀態(tài)信息只能反映旋轉(zhuǎn)機(jī)械局部運(yùn)行狀態(tài)，大型旋轉(zhuǎn)機(jī)械采用多個(gè)不同位置傳感器獲取的狀

3、態(tài)信息來(lái)刻畫整體運(yùn)行狀態(tài)，需要對(duì)多傳感器多識(shí)別模型下獨(dú)立局部診斷結(jié)果進(jìn)行決策融合。
　　論文針對(duì)大型旋轉(zhuǎn)機(jī)械強(qiáng)噪聲干擾下非線性微弱特征提取、小子樣模糊信息故障識(shí)別、多源多模型決策融合診斷等問(wèn)題，深入研究基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械早期故障融合診斷方法，具體研究?jī)?nèi)容如下：
　　①針對(duì)大型旋轉(zhuǎn)機(jī)械振動(dòng)狀態(tài)非線性微弱特征難以提取的問(wèn)題，提出了基于自適應(yīng)流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械微弱特征融合提取方法。采用自適應(yīng)局部切空間排列流形學(xué)習(xí)和相空間重構(gòu)相

4、結(jié)合的方法，對(duì)旋轉(zhuǎn)機(jī)械強(qiáng)噪聲振動(dòng)信號(hào)進(jìn)行非線性降噪；然后構(gòu)建混合域高維特征集，以全面、綜合、深入地刻畫旋轉(zhuǎn)機(jī)械裝備的整體運(yùn)行狀態(tài)；提出基于Dezert-Smarandache證據(jù)理論的多準(zhǔn)則融合評(píng)價(jià)序列進(jìn)行特征選擇，剔除原始高維特征集中干擾特征；最后把優(yōu)化高維敏感特征子集輸入到自適應(yīng)正交鄰域保持嵌入流形學(xué)習(xí)中進(jìn)行特征融合約簡(jiǎn)，進(jìn)一步剔除特征集中的冗余特征，實(shí)現(xiàn)非線性微弱特征的融合提取。
　?、卺槍?duì)大型旋轉(zhuǎn)機(jī)械故障診斷中故障樣本稀缺

5、和故障原因與故障表征間映射關(guān)系模糊的問(wèn)題，提出了流形距離度量的有監(jiān)督模糊C均值聚類旋轉(zhuǎn)機(jī)械故障識(shí)別方法。有監(jiān)督模糊C均值聚類在硬聚類基礎(chǔ)上擴(kuò)展了隸屬度的取值范圍，具有更好的模糊信息表達(dá)能力；在小子樣情況下，算法保留了對(duì)監(jiān)督樣本的模糊性劃分，同時(shí)通過(guò)監(jiān)督項(xiàng)比例系數(shù)調(diào)節(jié)監(jiān)督樣本的“典型程度”來(lái)更好地引導(dǎo)聚類，當(dāng)發(fā)現(xiàn)監(jiān)督樣本信息有誤時(shí)，能有效減少噪聲監(jiān)督項(xiàng)對(duì)整體分類效果的影響；采用非參數(shù)核密度估計(jì)融合監(jiān)督樣本的類別標(biāo)簽信息，設(shè)置初始聚類中心，

6、提高迭代效率；采用流形距離度量，更好地處理空間分布復(fù)雜的現(xiàn)實(shí)數(shù)據(jù)，使算法更具普適性，實(shí)現(xiàn)大型旋轉(zhuǎn)機(jī)械小子樣模糊信息早期故障的有效識(shí)別。
　?、坩槍?duì)大型旋轉(zhuǎn)機(jī)械故障診斷中單一傳感器振動(dòng)信號(hào)故障診斷的局限性問(wèn)題，提出了基于模糊一致性矩陣的多源多模型加權(quán)決策融合診斷方法。通過(guò)對(duì)沖突系數(shù)設(shè)置閾值，合理選用Dempster-Shafer證據(jù)理論或Dezert-Smarandache證據(jù)理論進(jìn)行多源非沖突或沖突性信息的決策融合；其中各傳感器的

7、可靠性由其訓(xùn)練樣本的模式識(shí)別精度體現(xiàn)，通過(guò)模糊一致性陣綜合衡量各傳感器的可靠性，計(jì)算多源多模型下的權(quán)值系數(shù)；對(duì)各傳感器故障識(shí)別結(jié)果進(jìn)行加權(quán)，提高決策融合診斷的容差性和魯棒性，實(shí)現(xiàn)大型旋轉(zhuǎn)機(jī)械多源多模型下局部診斷結(jié)果的有效融合。
　　④根據(jù)以上研究方法，研發(fā)了一套集數(shù)據(jù)采集、信號(hào)處理、微弱特征提取、故障識(shí)別、決策融合診斷等功能為一體的旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)與早期故障診斷系統(tǒng)，并進(jìn)行了實(shí)際應(yīng)用。
　　文章最后對(duì)本文的工作進(jìn)行了總結(jié)，并