论文部分内容阅读
机械设备故障诊断技术对于实际工程安全保障具有重要意义,从采集的信号中提取有效的特征信息是故障诊断的关键。传统的特征空间投影方法可以通过降低特征向量的维度来提取蕴含在故障信号中的敏感特征,主要用于单一工况下的故障特征提取。然而,在机械设备实际运转过程中,其运行工况往往是复杂多变的,相比于单一工况下的机械运转,多工况下采集到的信号更加复杂、更具非线性。在处理多工况下的故障信号时,故障特征容易被运行工况导致的冗余干扰所掩盖,使得传统特征空间投影方法提取的特征对故障的表征不准确。另一方面,在当前机械故障诊断研究中,由于多通道信号具备采集信息更全面、反映设备状态更完整等优势,受到了越来越多研究人员的关注。但是,多通道信号采集过程中,不同采集信道之间存在冗余干扰,会导致故障特征难以准确获取。针对上述问题,本文基于特征空间冗余属性投影方法,系统地研究了多工况下特征提取、特征空间投影及多元信号处理等多个关键问题,提出多工况下鲁棒故障诊断方法,消除了运行工况和采集信道导致的冗余干扰,为多工况下机械设备的故障诊断提供了参考。本文研究内容如下:1.针对冗余属性投影（Nuisance Attribute Projection,NAP）方法构建的权重矩阵对存在的冗余干扰全部考虑或全部忽视,导致NAP方法无法判断干扰程度这一难题,本文提出了特征空间加权冗余属性投影（Entropy Weighted Nuisance Attribute Projection,EWNAP）方法。该方法通过定量估计不同运行工况的干扰程度,构建了改进的权重矩阵,解决了NAP中存在的“双极问题”。并与反向传播（Back Propagation,BP）神经网络相结合,消除信号样本中由运行工况导致的冗余干扰,实现了多工况下机械设备的故障诊断。使用EWNAP方法处理实验台实测信号,验证了所提方法在多工况条件下具有故障诊断精度高的优势。2.针对特征空间加权冗余属性投影方法提取的高维特征处理难度大这一问题,本文提出了局部投影优化的特征空间加权冗余属性投影方法（Entropy Weighted Nuisance Attribute Projection-Orthogonal Locality Preserving Projection,EWNAPOLPP）。该方法借助正交局部保持投影（Orthogonal Locality Preserving Projection,OLPP）将经过EWNAP处理后的高维特征压缩至低维空间中,在消除冗余干扰的同时挖掘和保留了隐藏在高维空间中的敏感特征。随后,EWNAP-OLPP方法被应用于声振信号的故障诊断,将经过所提方法处理的声音信号样本输入到BP神经网络中,进行多工况下的故障模式识别。实验分析表明本文提出的方法能够准确地提取出与故障本质相关的敏感特征,提升了多工况下故障诊断的精度和效率。3.针对现有的多元信号处理方法在处理多通道信号时采集信道间存在冗余干扰,导致无法准确地提取本质特征这一问题,本文提出了多通道信号特征空间的加权冗余属性投影方法。该方法首先采用自适应投影多元经验模式分解（Adaptive Projection Intrinsically Transformed Multivariate Empirical Mode Decomposition,APIT-MEMD）对多通道信号进行分解,计算各通道本征模态函数的样本熵值,构造出包含主要信息的特征空间。然后,通过使用EWNAP对所得特征空间进行处理,消除了信道之间的冗余干扰,得到多通道信号中表征本质的特征。实验分析验证了本文提出的多通道信号特征空间投影方法能够有效消除采集信道间存在的冗余干扰,提升多通道信号特征提取的精度。4.针对在多工况下处理多通道信号时,存在由运行工况和采集信道导致的冗余干扰这一问题,本文提出了多通道信号特征空间的加权冗余属性投影故障诊断方法。将经过APIT-MEMD和EWNAP处理的样本输入到改进的加权极限学习机（Weighted Extreme Learning Machine,WELM）中,通过加权矩阵的处理得到了与故障本质最相关的特征。随后,进行训练和测试得到故障识别结果。使用所提方法对公开数据集和从实验台采集的多工况下多通道信号进行处理,结果表明本文提出的故障诊断方法能够在多工况条件下提取出多通道信号中包含的故障特征,实现了高精度的故障分类。