转子振动信号的故障特征提取方法研究

发布时间：2020-09-04 09:44

　　机械设备伴随着科技的进步,其精度与运行要求也越来越高,这必将产生海量的数据,机械故障诊断由此步入了大数据的时代。面对着众多的数据,如何从数据中提取特征,以便更好地识别和诊断故障成为了一个亟待决解的问题。由于机器设备在运转过程中,所产生的振动信号不仅仅包含线性的振动信息,而且也包含着非线性的振动信号,因此,针对非线性振动信号去除无关分量,更好地提取故障特征变得十分必要。本课题针对转子振动信号的特征提取主要展开以下研究工作:(1)针对传统欧式距离在高维观测空间有时面临失效的问题,提出一种的新的度量函数近邻概率距离(Nearby Probability Distance,NPD),并用它代替局部保持投影算法(Locality Preserving Projection,LPP)中计算近邻点的欧式距离,提出基于近邻概率距离的局部保持投影算法(Nearby Probability Distance Locality Preserving Projection,NPDLPP)和基于近邻概率距离的K近邻分类器(Nearby Probability Distance K-Nearest Neighbor,NPDKNN)。在双跨度转子实验台上证明改进方法的有效性。(2)针对轴承故障类型难以辨识的问题,提出了经验小波变换(Empirical Wavelet Transform,EWT)和多尺度排列熵(Multi-scale Permutation Entropy,MPE)的特征提取模型。该方法首先采用经验小波变换对原始振动信号进行自适应分解,获得一系列AM-FM分量,然后通过相关性分析去除无关变量并根据选择的AM-FM分量计算它们的多尺度排列熵,最后将所建立的特征集输入到GG聚类算法当中。通过滚动轴承数据进行实验验证方法的可靠性。(3)提出经验小波变换(Empirical Wavelet Transform,EWT)和AR模型的故障诊断模型。AR模型的自回归参数反映了设备运行状态的有效信息,对设备运行变化规律响应较为敏感,从而用AR模型的自回归参数当作提取的向量表示设备运行的状况。由于AR模型针对的是平稳信号的处理和分析,因此在建立AR模型之前有必要对信号进行相应的预处理。因此提出基于经验小波变换的AR模型,并把结果输入到模糊C均值聚类中,用滚动轴承的数据验证其有效性。
【学位单位】：兰州理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH113.1
【部分图文】：

故障分类,方法流程,消噪,中值

NPDLPP与NPDKNN相结合的故障分类方法流程图

傅里叶,自适应分割,叶频,自适应信号处理

本章将提出将经验小波变换、多尺度排列熵、断方法，并通过实验数据进行验证它的优势。简介变换来新提出的一种自适应信号处理方法，它的核心思进行自适应分割，构建一组适合待处理信号的小里叶频谱的 AM-FM 成分，然后对提取的 AM-F终获得有意义的瞬时频率和瞬时幅值，进而得到 H支撑[0,π]分割成 N 个连续的部分 Λn=[ωn-1,ωn](ω0=中 ωn表示各部分之间的边界，ωn值选择为信号傅小值。如图 4.1 所示，以每一个 ωn为中心，定义图 4.1 中阴影部分）。

故障分类,方法流程

熵并作为特征向量，并利用主成分分析（P进行可视化降维，获取维数低、敏感度后输入到 GG 聚类算法中。具体步骤如下号进行经验小波变换，得到若干个 AM- AM-FM 分量进行相关性分析，相关系态与原信号的相关性约等于各分量的自模态分量进行相关性分析[60]，从中选择分析样本，以达到对无关模态剔除的目的模态分量的多尺度排列熵值，取前 9 个分分析对特征向量进行降维。的低维特征向量作为 GG 聚类算法的输。图 4.2 所示：

【参考文献】