基于流形学习的旋转机械早期故障融合诊断方法研究

发布时间：2018-01-29 18:08

  本文关键词： 旋转机械 早期故障诊断 微弱特征选择 流形学习 决策融合　出处：《重庆大学》2015年博士论文　论文类型：学位论文

【摘要】：随着现代科学技术的迅猛发展,在工业制造、航空航天、石油化工、能源冶金以及国防工业等领域,逐步涌现出许多大型复杂的旋转机械装备,如风力发电机、航空发动机、工业燃气轮机等,这些旋转机械一旦发生故障,不但严重影响企业的生产效率,造成巨大的经济损失,甚至造成不可挽回的人员伤亡。解决因旋转机械故障导致巨大经济损失、人员伤亡和灾难性事故发生的关键是开展旋转机械早期故障诊断技术研究,即在故障萌芽阶段对其进行准确的辨识,并据此指导保养和维修工作,有效地控制故障发展,保障旋转机械安全、可靠运行。大型旋转机械结构日益复杂、运行环境恶劣、工况不稳定,表征其运行状态的振动信号具有非线性强噪声特点,而旋转机械早期故障特征微弱,淹没于强噪声环境中,难以提取;大型旋转机械早期故障孕育于设备运行的正常状态且处于不断发展变化中,故障原因与故障表征间映射关系模糊且早期故障样本稀缺,故障辨识难度大;单一传感器获取的状态信息只能反映旋转机械局部运行状态,大型旋转机械采用多个不同位置传感器获取的状态信息来刻画整体运行状态,需要对多传感器多识别模型下独立局部诊断结果进行决策融合。论文针对大型旋转机械强噪声干扰下非线性微弱特征提取、小子样模糊信息故障识别、多源多模型决策融合诊断等问题,深入研究基于流形学习的旋转机械早期故障融合诊断方法,具体研究内容如下:①针对大型旋转机械振动状态非线性微弱特征难以提取的问题,提出了基于自适应流形学习的旋转机械微弱特征融合提取方法。采用自适应局部切空间排列流形学习和相空间重构相结合的方法,对旋转机械强噪声振动信号进行非线性降噪;然后构建混合域高维特征集,以全面、综合、深入地刻画旋转机械装备的整体运行状态;提出基于Dezert-Smarandache证据理论的多准则融合评价序列进行特征选择,剔除原始高维特征集中干扰特征;最后把优化高维敏感特征子集输入到自适应正交邻域保持嵌入流形学习中进行特征融合约简,进一步剔除特征集中的冗余特征,实现非线性微弱特征的融合提取。②针对大型旋转机械故障诊断中故障样本稀缺和故障原因与故障表征间映射关系模糊的问题,提出了流形距离度量的有监督模糊C均值聚类旋转机械故障识别方法。有监督模糊C均值聚类在硬聚类基础上扩展了隶属度的取值范围,具有更好的模糊信息表达能力;在小子样情况下,算法保留了对监督样本的模糊性划分,同时通过监督项比例系数调节监督样本的“典型程度”来更好地引导聚类,当发现监督样本信息有误时,能有效减少噪声监督项对整体分类效果的影响;采用非参数核密度估计融合监督样本的类别标签信息,设置初始聚类中心,提高迭代效率;采用流形距离度量,更好地处理空间分布复杂的现实数据,使算法更具普适性,实现大型旋转机械小子样模糊信息早期故障的有效识别。③针对大型旋转机械故障诊断中单一传感器振动信号故障诊断的局限性问题,提出了基于模糊一致性矩阵的多源多模型加权决策融合诊断方法。通过对冲突系数设置阈值,合理选用Dempster-Shafer证据理论或Dezert-Smarandache证据理论进行多源非冲突或冲突性信息的决策融合;其中各传感器的可靠性由其训练样本的模式识别精度体现,通过模糊一致性阵综合衡量各传感器的可靠性,计算多源多模型下的权值系数;对各传感器故障识别结果进行加权,提高决策融合诊断的容差性和鲁棒性,实现大型旋转机械多源多模型下局部诊断结果的有效融合。④根据以上研究方法,研发了一套集数据采集、信号处理、微弱特征提取、故障识别、决策融合诊断等功能为一体的旋转机械状态监测与早期故障诊断系统,并进行了实际应用。文章最后对本文的工作进行了总结,并展望了下一步的研究方向。
[Abstract]:......
【学位授予单位】：重庆大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TH17

【相似文献】

相关期刊论文 前10条

1 周华;蔡超;丁明跃;;基于流形学习和流形高阶近似的图像距离度量[J];华中科技大学学报(自然科学版);2012年03期

2 黄鸿;李见为;冯海亮;;融合局部和全局结构的流形学习[J];光学精密工程;2009年03期

3 贺广南;杨育彬;;基于流形学习的图像检索算法研究[J];山东大学学报(工学版);2010年05期

4 金波;;基于年龄流形的人脸图像年龄识别[J];中国新技术新产品;2011年01期

5 高峥;杜川;;基于流形学习算法的人脸识别研究[J];河南机电高等专科学校学报;2011年04期

6 詹炜;;流形学习算法概述[J];武汉船舶职业技术学院学报;2013年02期

7 丁玲;唐娉;李宏益;;基于流形学习的混合光谱解混分析[J];红外与激光工程;2013年09期

8 顾艳春;;一种基于线性插值的流形学习算法[J];佛山科学技术学院学报(自然科学版);2013年01期

9 张辉远;;基于高光谱影像的流形学习降维方法近邻畸变分析[J];铁道勘察;2014年02期

10 冯海亮;李见为;王旭初;黄鸿;;基于非线性子流形的人脸识别[J];重庆大学学报;2008年03期

相关会议论文 前4条

1 宋欣;王娟;张斌;叶世伟;;流形学习算法分析及在人脸数据库上的应用[A];2008年全国开放式分布与并行计算机学术会议论文集(上册)[C];2008年

2 刘晓平;季浩;邓伟财;;基于流形学习的非线性系统可视化算法[A];全国第21届计算机技术与应用学术会议（CACIS·2010）暨全国第2届安全关键技术与应用学术会议论文集[C];2010年

3 何慧;陈博;郭军;;基于流形学习的半监督文本情感分类算法[A];第五届全国信息检索学术会议论文集[C];2009年

4 蒋全胜;贾民平;胡建中;许飞云;;一种基于流形学习的故障模式识别方法[A];第九届全国振动理论及应用学术会议论文集[C];2007年

相关博士学位论文 前10条

1 苏祖强;基于泛化流形学习的风电机组传动系统早期故障诊断方法研究[D];重庆大学;2015年

2 黄焱;基于流形学习的金融数据分析方法研究[D];电子科技大学;2015年

3 马婧华;基于流形学习的旋转机械早期故障融合诊断方法研究[D];重庆大学;2015年

4 黄鸿;图嵌入框架下流形学习理论及应用研究[D];重庆大学;2008年

5 尹峻松;流形学习理论与方法研究及在人脸识别中的应用[D];国防科学技术大学;2007年

6 黄启宏;流形学习方法理论研究及图像中应用[D];电子科技大学;2007年

7 冯海亮;流形学习算法在人脸识别中的应用研究[D];重庆大学;2008年

8 曾宪华;流形学习的谱方法相关问题研究[D];北京交通大学;2009年

9 詹宇斌;流形学习理论与方法及其应用研究[D];国防科学技术大学;2011年

10 王勇;基于流形学习的分类与聚类方法及其应用研究[D];国防科学技术大学;2011年

相关硕士学位论文 前10条

1 胡浩松;基于流形学习的旋转机械故障识别方法研究[D];燕山大学;2015年

2 丁春涛;基于图嵌入的判别近邻分析研究及应用[D];苏州大学;2015年

3 余婵娟;交互式人脸检索中人机人脸认知一致性研究[D];上海大学;2015年

4 陈明霞;基于半监督的多流形学习算法研究[D];华侨大学;2015年

5 顾阳阳;基于流形学习的雷达辐射源识别技术[D];西安电子科技大学;2014年

6 高汉宇;基于最优r-覆盖堆积数本征维数估计方法及其应用[D];西安电子科技大学;2014年

7 罗廷金;基于流形学习的数据降维算法研究[D];国防科学技术大学;2013年

8 周韵然;基于流形学习的A股上市公司抽样的信用评价[D];电子科技大学;2014年

9 史仍浩;基于流形学习的在线社会网络节点分类[D];上海交通大学;2013年

10 陈诗文;流形学习在数据降维中的应用研究[D];浙江工业大学;2015年

，

本文编号：1474026