基于參數(shù)化模型的非平穩(wěn)特征提取及其智能診斷研究.pdf

1、隨著機械設備向復雜化、自動化方向發(fā)展，智能診斷在現(xiàn)代生產(chǎn)中起著越來越大的作用。為了獲得更高的識別率，基于信號處理與神經(jīng)網(wǎng)絡相結合實現(xiàn)故障智能診斷成為了當今主要的發(fā)展方向。在復雜工況條件下，機械設備的振動信號顯示出非平穩(wěn)性，因此對非平穩(wěn)信號的特征提取并對其故障進行智能識別是非常必要的。本文深入研究了時變自回歸(TVAR)和條件異方差(Garch)對非平穩(wěn)信號的建模分析，并基于參數(shù)化模型特征，采用支持向量機(SVM)、隱馬爾科夫(HMM)等

2、方法對滾動軸承的不同故障進行了智能診斷。具體內(nèi)容如下： 針對非平穩(wěn)信號的參數(shù)化建模，本文研究了TVAR方法。分別基于自適應算法和基函數(shù)算法求解模型的時變參數(shù)與譜估計，提出采用AIC準則確定模型階數(shù)。通過仿真分析，證明了TVAR模型時頻譜分辨率高、沒有交叉項；而基函數(shù)算法的TVAR時頻譜受噪聲影響小，能跟蹤快速變化的頻譜，彌補了自適應算法對噪聲敏感的缺點。同時，針對TVAR模型難以跟蹤突變信號的問題，本文研究了Garch的建模與分

3、析步驟。通過仿真信號分析表明Garch的條件方差準確反映了信號頻率的突變性或沖擊性。 本文深入研究了SVM和HMM模型及其診斷原理與方法。首先采用一對多方法解決SVM的多類分類問題，探討了其故障分類步驟；同時研究了HMM的訓練算法和故障診斷流程，采用Lloyd算法對信號特征樣本進行量化。然后，基于Matlab語言實現(xiàn)了SVM和HMM的故障診斷。通過滾動軸承故障的診斷實例，表明了SVM具有出色的學習性能，尤其在小樣本的情況下分類能

4、力強，很好地解決了神經(jīng)網(wǎng)絡所需學習樣本多、陷入局部極值等問題：同時發(fā)現(xiàn)HMM具有在小樣本情況下判斷精度高、自學習能力強的優(yōu)點；尤其針對機械振動信號的非平穩(wěn)性強、特征重復再現(xiàn)性不佳的特性，該模型識別率很高。 在上述研究基礎上，基于Labview開發(fā)了滾動軸承信號的參數(shù)化模型分析與智能診斷軟件。該系統(tǒng)基于Windows XP平臺，實現(xiàn)了非平穩(wěn)信號的TVAR時頻分析以及基于SVM、HMM的智能診斷等功能。這些研究成果對促進非平穩(wěn)信號的