转子故障信号的敏感特征提取方法研究

发布时间：2020-06-23 14:27

【摘要】：故障诊断是保障机械设备安全运行的重要手段,随着科技水平的提高,设备复杂度也越来越高。要进行有效、准确的故障诊断就需要提取出丰富的设备故障信息。而维数约简又是特征提取中的关键一步,它能够挖掘出故障的本质信息,为后续的模式识别减轻压力。在机械设备的工作过程中采集到的振动信息既有线性的也有非线性的。因此,如何有效地挖掘出能够真实反映故障信息的数据,消除振动信息中的无关分量,更好的进行故障诊断和识别就显得举足轻重。本文工作的重心围绕转子振动信号的特征提取展开。主要研究内容如下:(1)针对旋转机械故障辨识准确率偏低的问题,将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与能量矩、邻域粗糙集(Neighborhood Rough Set,NRS)进行结合,提出一种转子系统的故障数据集分类方法。该方法将采集到的振动信号用EEMD方法进行自适应分解,用能量矩量化分解后的若干本征模态函数(Intrinsic Mode Function,IMF)。以此能量矩作为描述故障状态的条件属性构建决策表,然后使用邻域粗糙集在决策表上执行属性约简以剔除冗余属性,最后将约简后的敏感特征子集输入所设计的决策树(Decision Tree,DT)C4.5算法中进行模式识别。通过典型转子实验台的故障特征集验证了该方法的有效性。(2)针对转子振动信号的非平稳性以及微弱故障特征难以提取的问题,提出一种基于集合经验模态分解(EEMD)的奇异值熵和流形学习算法相结合的故障特征提取方法。首先,对原始振动信号进行EEMD分解,得到若干本征模态函数(IMF)分量,根据峭度-欧式距离评价指标选取故障信息丰富的敏感分量,组成初始特征向量,求其奇异值熵。利用改进的拉普拉斯特征映射算法-近邻概率拉普拉斯映射算法(Nearby Probability Distance Laplacian Eigenmap,NPDLE)对奇异值熵组成的特征矩阵进行降维处理,提取出既能反应故障信息又能降低分类难度的低维特征子集。最后,将得到的低维特征子集输入到KNN中进行模式识别,在双跨度转子实验台上验证改进方法的有效性。结果表明,IMF奇异值熵和NPDLE相结合的方法可以有效地实现转子故障特征提取,故障辨识的准确性也有相应的提高。(3)为稳定提取转子故障特征,提出了一种基于互补集经验模态分解,多尺度排列熵和GK模糊聚类相结合的故障诊断方法。首先,通过互补集合经验模态分解处理故障信号,依据相关系数原理,选取相关系数最大的模态分量作为分析对象;然后利用多尺度排列熵量化模态分量的故障特征作为特征向量;最后,将经过PCA降维后的低维特征集输入到GK模糊聚类算法中进行故障辨识。将所提方法应用于典型转子实验台的故障特征集,通过分类系数与划分熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比。结果表明,本文所提方法能够有效提取故障特征。
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH17
【图文】：

粗糙集,基本概念,包含于,论域

有上述定义可知，R( )反映了论域中的对象肯定包含于X的集合，而 ( )反映了论域中的对象肯定包含于X与可能包含于X的集合，以上概念之间的联系如图2.1所示[25]。7

时域波形图,双跨,转子系统,试验台

动、动静碰摩、质量不平衡和轴系不对中}，以及正常状态下的信号，作为实验数据。图3.2 双跨度转子系统试验台3.6.2 实验结果分析实测得到的 4 种故障和正常状态下原始振动信号的时域波形图如图 3.3 所示。对图 3.3 信号进行特征提取分析（仅列出各状态下的第一个通道的原始振动信号），对每种状态的每一通道（共 12 通道）的振动信号进行 EEMD 处理，为选取含有故障信息的真实特征分量引入能量矩评价指标，我们以信号长度为 2048 点的不对中故障数据为例进行评价方法说明。实验 EEMD 添加的高斯白噪声的标准差设为15

【相似文献】