论文部分内容阅读
滚动轴承作为旋转机械中运用极其广泛的零部件之一,其健康状态直接影响整台机械设备的正常运行,故对该部件进行故障诊断与状态检测,对于机械设备的健康运行和避免生产过程中重大事故的发生,都有着重要的理论和现实意义。滚动轴承振动信号往往呈现出非平稳、非线性等特性,通常需要从多个方面提取出能表征其运行状态的故障特征,这使得该故障特征集具有高维、非线性、冗余等特性,甚至导致“维数灾难”情况的发生。流形学习这类非线性降维方法能有效发现嵌入在高维空间中的低维流形成分,完成维数约简或数据可视化,因此,适用于滚动轴承高维故障特征的降维过程。本文在详细论述机械设备故障诊断过程中的信号降噪、特征提取、维数约简和模式识别研究现状的基础上,以研究Isomap及其改进算法进行故障特征降维处理为主,深入探讨滚动轴承故障特征提取、模式识别过程中所涉及的一些关键性技术问题,取得一定研究成果。论文主要工作和创新性成果如下:(1)针对L-Isomap算法存在邻域构造和界标点选取的问题,研发一种基于自适应SOINN L-Isomap(ASL-Isomap)流形学习新算法,该方法综合了全局流形几何结构信息、自适应邻域图构造以及SOINN界标点选取的优势,使低维数据更能反映高维数据的本质流形,验证实验结果表明,该方法在降维效果方面优于现有降维方法。针对滚动轴承故障样本标签信息未知时,提出一种基于“混合域特征集+ASL-Isomap+KELM”的滚动轴承故障诊断方法,该方法集成混合域故障特征集用于故障信息全面挖掘、ASL-Isomap方法用于自动降维以及核极限学习机(KELM)用于模式识别的优越性,能够有效、精准地诊断出滚动轴承各故障类型,4210型圆柱滚子轴承故障诊断实验验证所提方法的优越性。(2)在SOINN L-Isomap(SL-Isomap)算法的基础上,结合监督学习思想,提出一种新型流形学习方法—监督型SOINN L-Isomap(SSL-Isomap)方法,一方面采用SOINN方法自动生成一系列能够代表原数据拓扑结构的界标点,解决L-Isomap界标点选取难题;另一方面利用样本标签构造监督型邻域图,因此,拥有较好的二次特征提取效果与故障分类精准度。此外,针对滚动轴承故障样本标签信息已知时,建立一种基于“MPE+SSL-Isomap+GWO-SVM”的滚动轴承故障诊断模型,4210型圆柱滚子轴承故障诊断实验分析表明,所提方法集成多尺度排列熵(MPE)在特征提取、SSL-Isomap在维数约简以及灰狼群优化支持向量机(GWO-SVM)在模式识别方面的优势,能精准判别出滚动轴承各故障类型。(3)将半监督学习思想与SL-Isomap方法相结合,提出一种半监督判别SOINNL-Isomap(SSDSL-Isomap)流形学习方法。一方面采用有标签信息样本与无标签信息样本构造半监督型双约束邻域图,增强数据分类能力;另一方面采用SOINN方法进行界标点选取,克服传统随机界标点选取法导致降维效果不稳定的缺陷,并将该降维方法应用于高维故障特征集的降维过程。在此基础上,针对滚动轴承故障样本标签信息部分已知时,研发一种基于“VMD-ICMSE+SSDSL-Isomap+PSO-ELM”的滚动轴承故障诊断新技术,1210型调心球轴承故障诊断实验分析结果表明,所提方法集成了基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)在特征提取、SSDSL-Isomap方法在维数约简与粒子群优化极限学习机(PSO-ELM)在模式识别上的优势,能有效、精准地诊断出滚动轴承各故障类型。