基于高斯混合模型與子空間技術的故障識別研究.pdf

1、機械設備故障診斷的過程就是故障模式識別的過程，但模式識別方法在故障診斷中的應用需要結合設備故障信號的具體特點。設備故障信號具有非線性和非平穩(wěn)特性，隨著故障程度的加深，這兩種特性將更加顯著。因此，研究適用于設備故障信號的模式識別算法對提高故障識別率和識別效率具有重要意義。 本文以齒輪振動信號和聲信號作為研究對象，采用高斯混合模型與子空間方法，研究設備故障模式識別過程中的相關算法，分析高斯混合模型與子空間方法在設備故障識別中應用的可

2、行性與有效性。對提出的各種分類算法進行比較。論文所作的主要工作如下： 1)基于相空間重構與局部獨立分量分析的降噪算法及其應用 借鑒局部投影降噪算法的思想，將相空間重構與局部獨立分量分析相結合用于信號降噪。采用仿真信號對該算法的降噪效果和三種不同相空間重構方法對降噪效果的影響進行了分析比較。該算法與全局投影等降噪算法相比，降噪效果更好。 將該降噪算法與共振解調技術相結合，提出了一種適用于低速重載軸承故障診斷的方法。

3、利用此方法對某煉鋼廠轉爐傾動機構懸掛齒輪箱耳軸軸承進行故障診斷，診斷結果與實際情況相符。 2)基于相空間重構與高斯混合模型的設備故障識別算法 將非線性時間序列分析中的相空間重構算法與高斯混合模型相結合，用于設備故障信號的模式描述，并采用貝葉斯分類器對待檢數據進行分類。采用該算法分別對齒輪振動信號和聲信號進行訓練和分類，結果表明，該算法能夠克服噪音干擾，對各類齒輪故障進行識別，并具有很高的識別率。在此基礎上，分析了各參數對

4、識別率的影響，并論述了高斯混合模型參數的選擇方法。 3)基于四分位偏差分形維與高斯混合模型的故障識別算法 針對設備故障狀態(tài)下信號的非線性，非平穩(wěn)性，研究非趨勢波動分析用于設備故障識別的可行性。在此基礎上，提出采用四分位偏差分形維及其計算中產生的截距組成特征向量進行設備故障識別。 根據振動信號的特點，提出先對信號進行極差標準化處理。此改進方法，降低了四分位偏差分形維對信號幅值大小及分如的敏感性。將該算法與高斯混合模