基于核密度估计和K-L散度的旋转机械故障诊断与健康评估方法研究

发布时间：2017-03-16 14:00

  本文关键词：基于核密度估计和K-L散度的旋转机械故障诊断与健康评估方法研究，，由笔耕文化传播整理发布。

【摘要】：旋转机械设备被广泛应用在大型制造系统和重要技术装备中,在国民经济和社会发展中占有非常重要的地位。滚动轴承、齿轮等旋转机械设备的关键部件担负着传递力矩和支撑负载的任务。然而,由于受到交变机械应力和偶然冲击的作用,加上本身固有的制造误差,滚动轴承和齿轮等部件很容易产生早期缺陷。如果不及时发现这些早期故障并进行适当处理,将会导致损伤扩展,进而造成设备失效停机。为了实时了解设备的运行状态以便开展预防性维修,故障诊断和健康评估技术必不可少。在现有的旋转机械故障诊断与运行状态健康评估方法中,基于数据驱动的方法以其数据易获取、模型易建立、分类评估准确率高等特点得到了广泛关注和应用。尽管现有的很多基于数据驱动的故障诊断与健康评估方法都取得了显著的成效,但绝大多数方法都是独立地看待单个样本,或多或少地忽略了同状态样本间的统计关系,而这种统计关系可能蕴含着重要的故障和健康状态信息。若能充分利用同状态样本统计特性相似,不同状态样本统计特性不同这一特点,有助于提高故障诊断与健康评估的准确性。围绕上述基本思想,本文以旋转机械中的滚动轴承和锥齿轮为主要的研究对象,对基于数据驱动的旋转机械关键部件的故障诊断和健康评估方法开展研究。具体的研究内容和主要创新如下:(1)针对局部均值分解存在的模态混淆问题及小波分解的“半自动化”问题,本文将局部均值分解和离散小波变换有机结合,提出了一种混合的信号处理方法。通过该方法可以得到更为清晰、单一的频带分量,从而在基于数据驱动的故障诊断与健康评估过程中提取出更有效的特征。(2)为了从备选特征中挖掘出具有类别敏感性的有效特征,充分利用训练样本所包含的类别信息至关重要。为此,本文利用统计学方法,提出了一种基于核密度估计(Kernel Density Estimation,KDE)与K-L散度(Kullback-Leibler Divergence,KLID)的特征选择方法,提高了有效特征被选中的概率。该方法不仅可以像现有特征选择方法一样选择出取值分布相似而均值差别大的有效特征,同时还能筛选出特征均值相近而分布差别大的有效特征。(3)从统计学角度提出一种基于KDE和KLID的数据驱动旋转机械故障诊断方法。由于该方法能充分利用了不同故障类别样本集其统计特性不同,而相同故障类别统计特性类似这一特点,因此其分类准确性一定程度上优于传统的基于支持向量机(Support Vector Machine,SVM)和BP(Back Propagation)神经网络的故障诊断方法。在锥齿轮和滚动轴承的故障诊断案例中我们发现,该方法的具有很好的分类准确性和稳健性。(4)健康评估可以看作是一种单类(One-Class)分类问题,只有正常状态和偏离正常状态之分。与故障诊断方法的思想类似,根据正常状态样本集与劣化状态样本集的统计特性不同,本文提出一种基于KDE与KLID的旋转机械健康评估方法,准确地实现了滚动轴承的健康评估。该方法利用滑动窗口动态地从监测数据中选取样本集,并使用KDE得到其对应的分布信息,利用KLID将此分布信息与正常状态样本集进行对比,由此得到表征旋转机械健康状态的评估指标。
【关键词】：旋转机械 数据驱动 故障诊断 健康评估 特征提取 特征选择
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH17

【参考文献】

中国期刊全文数据库 前1条

1 王晓伟;闫德勤;唐祚;;一种基于贪心算法的快速PCA算法[J];微型机与应用;2013年19期

  本文关键词：基于核密度估计和K-L散度的旋转机械故障诊断与健康评估方法研究，由笔耕文化传播整理发布。

本文编号：251834