论文部分内容阅读
机械设备伴随着科技的进步,其精度与运行要求也越来越高,这必将产生海量的数据,机械故障诊断由此步入了大数据的时代。面对着众多的数据,如何从数据中提取特征,以便更好地识别和诊断故障成为了一个亟待决解的问题。由于机器设备在运转过程中,所产生的振动信号不仅仅包含线性的振动信息,而且也包含着非线性的振动信号,因此,针对非线性振动信号去除无关分量,更好地提取故障特征变得十分必要。本课题针对转子振动信号的特征提取主要展开以下研究工作:(1)针对传统欧式距离在高维观测空间有时面临失效的问题,提出一种的新的度量函数近邻概率距离(Nearby Probability Distance,NPD),并用它代替局部保持投影算法(Locality Preserving Projection,LPP)中计算近邻点的欧式距离,提出基于近邻概率距离的局部保持投影算法(Nearby Probability Distance Locality Preserving Projection,NPDLPP)和基于近邻概率距离的K近邻分类器(Nearby Probability Distance K-Nearest Neighbor,NPDKNN)。在双跨度转子实验台上证明改进方法的有效性。(2)针对轴承故障类型难以辨识的问题,提出了经验小波变换(Empirical Wavelet Transform,EWT)和多尺度排列熵(Multi-scale Permutation Entropy,MPE)的特征提取模型。该方法首先采用经验小波变换对原始振动信号进行自适应分解,获得一系列AM-FM分量,然后通过相关性分析去除无关变量并根据选择的AM-FM分量计算它们的多尺度排列熵,最后将所建立的特征集输入到GG聚类算法当中。通过滚动轴承数据进行实验验证方法的可靠性。(3)提出经验小波变换(Empirical Wavelet Transform,EWT)和AR模型的故障诊断模型。AR模型的自回归参数反映了设备运行状态的有效信息,对设备运行变化规律响应较为敏感,从而用AR模型的自回归参数当作提取的向量表示设备运行的状况。由于AR模型针对的是平稳信号的处理和分析,因此在建立AR模型之前有必要对信号进行相应的预处理。因此提出基于经验小波变换的AR模型,并把结果输入到模糊C均值聚类中,用滚动轴承的数据验证其有效性。