基于拉普拉斯特征映射的旋轉機械故障診斷方法研究.pdf

1、轉子作為旋轉機械的核心部件，在整個機械的運作中扮演著至關重要的角色，轉子系統(tǒng)的運行狀況直接關乎到整臺機械的性能。轉子系統(tǒng)長期在高速、超負荷、長時間的等工作惡劣環(huán)境下極其容易出現(xiàn)各種故障，如果不及時對故障進行診斷維護、造成整機的失效和工業(yè)生產建設的進程帶來巨大的經濟損失，同時潛在的也存在著安全隱患。文章以旋轉機械為研究對象，針對傳統(tǒng)時頻分析對故障診斷領域的一些不足和早期復合故障診斷中噪聲干擾大的問題，設計了故障模擬方案和深入研究了拉普拉斯

2、特征映射算法，利用流形學習方法提取轉子故障系統(tǒng)的有效特征。主要研究工作如下：
　　1）針對傳統(tǒng)時頻分析方法對信號高頻地帶冗余性和信號特征提取不完整的不足，提出了一種基于多尺度拉普拉斯特征映射（Multiscale-LE，MS-LE）的轉子故障診斷方法，多尺度分解故障信號，提高分辨率獲取信息，提取各尺度小波熵，同一故障所有狀態(tài)的小波熵構成高維特征集合并進行本征維數(shù)估計，利用拉普拉斯特征映射算法(LE)以本征維數(shù)估計值為依據(jù)進行降維，

3、獲得低維特征映射，最終實現(xiàn)了轉子故障特征提取和識別，并比較了經典的主成分分析算法(PCA)、局部線性嵌入算法(LLE)和LE方法，證明了多尺度拉普拉斯特征映射方法(MS-LE)對故障識別的有效性。
　　2）在機械設備的早期復合故障診斷中發(fā)現(xiàn)噪聲干擾強、傳統(tǒng)線性時頻方法對故障信息的潛在特征挖掘能力不強等問題，提出了基于流形子帶特征映射的故障診斷方法，利用小波包分析方法對噪聲的強烈抑制作用和信號分解多分辨率性，為了獲得完整特征的故障信

4、號首先對故障原始信號進行相空間重構，然后信號分解成多個流形子帶，并以同一故障多種狀態(tài)的同一流形子帶組合成高維的本征特性數(shù)據(jù)空間并且對其進行本征維數(shù)估計，通過LE方法將高維數(shù)據(jù)空間的本質特征映射到低維特征向量。最后，提取其信息熵值，通過實驗分析對比了經典 LLE、LE方法和MS-LE方法，證明流形子帶特征映射方法對單故障和復合故障識別都具有實用性。
　　3）文本自主開發(fā)和設計了一套基于拉普拉斯特征映射的轉子故障診斷系統(tǒng)，包括參數(shù)設置