论文部分内容阅读
滚动轴承作为旋转机械设备的关键部件,一旦发生故障会严重影响机械设备的安全稳定运行。振动信号的时频分析是实现滚动轴承故障特征分析的有效手段,但经时频分析得到的初始特征集中存在冗余和干扰信息,需要从中选取出故障状态敏感的特征;信号特征空间维数较高,需要利用降维方法得到状态表达能力更强的低维特征空间;传统模式识别方法难以适应高维特征空间与状态空间之间复杂的映射关系,深度学习方法具有高维特征自适应分析能力,适合于故障状态高维特征空间的智能分析,相关的应用研究处于起步阶段。针对以上问题开展研究工作。(1)研究基于集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的振动信号时频分析方法,利用EEMD将振动信号分解为本征模态函数(Intrinsic Mode Function,IMF),获取振动信号的希尔伯特边际谱(Hilbert marginal spectrum,HMS),HMS中蕴涵了振动信号的频率分布情况,提出将HMS作为故障诊断模型的初始特征。为了减少HMS中的冗余和干扰信息,降低输入空间维数,提出基于滑动窗口和兰德指数的HMS故障状态特征频率带提取方法WMSC(Window Marginal Spectrum Clustering),完成HMS中敏感故障特征频率带的选取。建立基于SVM的滚动轴承故障诊断模型HMS-WMSC-SVM,轴承故障实验台振动信号分析结果表明该模型可以获得较高的轴承故障状态识别准确率,并且具有较强的噪声抑制能力。(2)进一步研究振动信号EEMD分析方法,针对IMFs、Hilbert包络谱(Hilbert Envelope Spectrum,HES)及HMS信号统计参数,开展故障模式识别方法的研究。提出了基于调整的兰德指数(Adjusted Rand Index,ARI)与标准差(Standard Deviation,STD)的特征选择方法FSASR(Features Selection by Adjusted Rand Index and Standard Deviation Ratio),FSASR采用ARI与STD的比值作为统计参数状态敏感度评价指标,实现统计参数故障状态敏感度的量化分析。针对高维特征空间的数据冗余问题,在LFDA(Local Fisher Discriminant Analysis,LFDA)方法的基础上提出了一种支撑边界局部Fisher判别分析(SM-LFDA)方法,使得高维统计特征空间的低维映射具备更高的故障状态表达能力。结合支持向量机(Support Vector Machine,SVM)、K最近邻算法(K-Nearest Neighbor,KNN)、集成方法(Ensemble Method)三种常用的模式识别方法,建立滚动轴承故障诊断模型,轴承故障实验台振动信号分析结果表明FSASR方法能够有效筛选出故障敏感特征,SM-LFDA方法可以提高基于EEMD的故障诊断模型状态识别准确率。(3)研究基于最大重叠离散小波包变换(Maximum overlap discrete wavelet package transform,MODWPT)的振动信号时频分析方法,对MODWPT分解后的小波包节点进行单支重构,得到不同频率范围的重构信号,计算单支重构信号及其HES的统计参数作为故障状态的初始特征,利用提出的FSASR方法完成故障敏感特征的选取。研究无监督流行学习方法邻域保持嵌入(Neighborhood preserving embedding,NPE),提出加入类别信息的监督NPE方法SNPEL,在此基础,结合SVM、KNN和EM三种模式识别方法,建立滚动轴承故障诊断模型。实验结果进一步表明了FSASR方法能够有效筛选出故障敏感特征,SNPEL方法可以提高基于MODWPT的故障诊断模型状态识别准确率。(4)通过多种降维方法与模式识别方法的实验分析可知,降维方法可以得到高维特征空间的低维表示,模式识别方法可以实现故障状态的判识,但是不同的降维方法和模式识别方法对不同类型的特征空间分析能力表现不一。利用深度学习方法在高维数据处理和非线性数据分析方面的优势,研究基于深度置信网络(Deep Belief Networks,DBN)的故障状态识别方法,在基于EEMD和MODWPT的振动信号分析、统计参数分析及敏感特征选取方法FSASR的基础上,分别建立EEMD-FSASR-DBN和MODWPT-FSASR-DBN故障状态识别模型。实验分析结果表明基于DBN的滚动轴承故障诊断模型可以有效提高故障状态识别准确率,并且对FSASR方法适应能力较强。综上所述,本文提出了WMSC和FSASR方法,以减少时频分析后的初始特征空间中的干扰和冗余信息;提出了SM-LDA和SNPEL方法,以提升低维映射空间的状态表达能力;建立基于DBN的故障状态识别模型,提高模式识别方法对特征空间的适应能力,形成了完整的基于数据驱动的滚动轴承故障特征分析与诊断方法体系。实验分析结果表明,本文提出的方法可以有效提高故障状态识别准确率,并具有较强的适应能力。