基于全信息的机械故障特征提取方法研究

发布时间：2020-06-22 20:07

【摘要】：机械设备的振动信号中蕴藏了大量信息,能够帮助人们正确判断各类设备运行过程中的状态。特征提取就是要把这些信息转化成需要的故障征兆。有效特征向量的提取是故障诊断中的关键环节,也是机械设备故障诊断成功的关键因素。 科学技术的发展使得现代设备的结构日趋复杂,其故障类型越来越多,反映故障的状态、特征也相应增加。这些特征参数在故障诊断过程中的重要性并不相同,甚至其中某些特征是冗余的。冗余特征的存在不但是对诊断资源的浪费,也直接影响生成简洁、高效的诊断决策规则,影响了故障诊断的效率和实时性。因此要从中提取出对诊断贡献最大的特征,提取出最有效的特征组合。 针对传统旋转机械单通道特征提取的信息不完整以及实时性差等问题,本文将全矢谱分析技术与粗糙集理论、蚁群算法等结合起来,提出了基于全信息技术的旋转机械故障特征提取方法。 全矢谱分析技术基于旋转机械同源信息融合,它是矢量谱分析及其一系列扩展分析方法的统称。矢谱分析技术是数据层次上的融合技术,它可以融合转子一个截面上的两个通道或三个通道的信息,依据某种准则将这些信息进行组合,最终得到和实际状况一致的结论。信息融合技术的引入,从本质上弥补了单通道分析的缺陷,能够对机组进行更可靠、更准确的监测和诊断。 粗糙集理论产生于上世纪80年代初,是一种处理模糊性和不确定性的数学工具。它在处理大数据量、消除冗余信息等方面有良好效果。通常用来作为数据约简的工具。蚁群算法是一种最新发展的模拟自然蚂蚁群体觅食的仿生优化算法,在解决各类组合优化问题中都取得了很好的效果,其显著优点是受问题规模的影响不大,对大规模问题的求解仍能发挥较优的性能。将粗糙集理论和蚁群算法用于旋转机械的故障诊断领域,能够剔除大量特征参数中具有冗余信息的特征量,找出最优的特征参数组合,提取出有效的故障诊断规则。 本文将全矢谱理论、粗糙集理论和蚁群算法的优点结合起来,探讨了矢谱理论的基本原理及算法、粗糙集理论的算法及应用、基本蚁群算法的改进及应用,并编制Matlab程序实现其功能。
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：TH165.3

【引证文献】

中国硕士学位论文全文数据库 前1条

1 王宏超;基于全矢谱的旋转机械故障特征提取研究[D];郑州大学;2011年

本文编号：2726173