基于信息融合技术的旋转机械故障诊断研究

发布时间：2020-08-28 05:23

【摘要】： 在故障诊断的实践中人们发现:①基于不同位置传感器的诊断结论有时会冲突②基于不同的特征域的诊断结论有时会冲突③基于不同的诊断推理方法的诊断结论有时会冲突。这些都是由于大型设备结构复杂和运行条件多样等所导致故障诊断过程中不确定大量引入,致使诊断的可靠性和准确性下降,难以满足日益大型化复杂化设备的故障诊断需求。为此,研究信息融合技术在旋转机械故障诊断中的应用,降低故障诊断的不确定性,提高设备的诊断精度显得尤为必要。本文主要是从理论上和实践中探索了信息融合技术在旋转机械振动故障诊断系统中的应用,将多个传感器信号、设备多个方面故障特征信息和多种故障诊断推理方法综合合理融合利用,最大限度降低诊断的不确定性,实现对设备全面与准确的诊断。其主要研究工作如下: (1)通过对信息融合技术进行研究和对故障诊断过程中的不确定性进行分析,构建起信息融合技术在故障诊断中的研究框架,并确立本文采用的信息融合诊断组建方法,保证故障诊断过程中存在的不确定性经达融合后能够最大限度相互削弱,从而从理论上降低融合诊断的不确定性,达到精确诊断的目的。 (2)主元分析能够有效处理线性问题,核函数理论具有将低维非线性问题转化为高维线性问题的特性,将主元分析和核函数理论相结合,构成了核主元分析方法,使其对非线性问题具备非常强的处理能力。将其应用于机械设备故障特征压缩提取,经实验证实效果很好,从而成功解决多源信息融合诊断中信息量大且冗余的难题。 (3)归纳总结出神经网络在故障诊断中的具体应用方法,并通过实验研究发现,核主元分析与神经网络相结合能有效简化网络结构、缓减诊断推理的复杂度,从而提高了故障诊断的准确率。 (4)将证据理论与加权思想相结合,形成了加权证据理论。它通过对各证据进行加权组合,客观体现了不同来源的证据对识别框架中各真子集的识别具有不同的可靠性和权威性这一普遍事实,有效弥补了证据理论在应用中的一大缺陷,为证据理论在融合故障诊断中的应用打下了深厚的理论基础。 (5)为了将多个特征域的局部诊断结果进行有效的决策融合,本文依据加权证据理论,通过构建加权证据理论在故障融合诊断中的具体实施框架,并遵循第二章确立的融合诊断组建方法,提出一种基于加权证据理论的融合故障诊断方法。最后,对韶钢烧结厂4号风机进行实验研究分析,先分别从频域、时域和轴心轨迹三个特征域进行局部诊断,再将三个局部诊断的结果进行决策融合。实验结果表明:多故障特征信息融合后的诊断结果可信度明显增大,不确定性明显减小,故障诊断的准确率显著提高,充分验证了本文所提出来的融合诊断方法的效性,并且该方法富有开放性、易实现,具有很强的工程实际应用价值。
【学位授予单位】：中南大学
【学位级别】：硕士
【学位授予年份】：2007
【分类号】：TH165.3
【图文】：

不确定性,区间,信度,不确定区间

任程度的上下限。定义4对于VAge，称区间[Bel(A)，Pl(A)〕为A的信度区间。信度区间描述了命题的不确定性。如图5一1所示，信度区间描述了命题的不确定性。不怀疑区间...支持区间.，.不确定区间 ... ......~~~~...... !!!!! 0BelPll图5一1问题的不确定性表示设Bel(A)=a，Pl(A)二b，则信度区间[a，b]表示对A有一定的程度的信任，也有一定程度的不信任;[a，1]表示对A有一定程度的信任

布图,可分,第一

3.5仿真分析3.5.1线性和非线性问题仿真分析为了验证核主元分析(KPCA)方法是主元分析(PCA)方法向非线性领域的推广，现采用两组数据进行仿真分析。第一组数据是线性可分样本数据，第二组数据是线性不可分但非线性可分样本数据。两组数据的分布情况如图3一3所示，从图中可以看出:第一组数据为二维线性可分，第二组数据为二维非线性可分。对这两组数据分别进行PCA和KPCA分析，结果图3一4和图3一5所示。从图3一4可以看出经PCA变换后，第一组数据降维到一维(第一主元)可分，但第二组数据仍为二维非线性可分。由此验证，PCA方法对分析线性问题有效，但对非线性问题分析很不理想。从图3一5可以看出经KPCA变换后，第一组和第二组数据都能降维到一维(第一主元)可分。由此验证，KPCA方法对分析线性和非线性问题都很理想。线性可分样本原始数据分布图非线性可分样本原始数据分布图

分析图,分析图,数据,主元

0.40.6六第二类花·第三类花图3一 7Iris数据KPCA分析图对IRIS数据集进行KPCA分析，核函数选用式(3一13)的高斯核函数，a取5。各主元贡献率如表3一2所示，第一至第三主元投影图如图3一7所示。从核主元投影图上可以看出，只需要取第一和第二主元就能很好地区分样本的类别。从主元的累计贡献率可以看出，前2个特征值累积的贡献率超过了75%，因此可以取前2个特征值对应的特征向量构成新的特征子空间，这样可以用2个特征属性取代原来的4个特征属性

【引证文献】