基于高斯混合模型与子空间技术的故障识别研究

发布时间：2020-09-30 10:39

　　机械设备故障诊断的过程就是故障模式识别的过程,但模式识别方法在故障诊断中的应用需要结合设备故障信号的具体特点。设备故障信号具有非线性和非平稳特性,随着故障程度的加深,这两种特性将更加显著。因此,研究适用于设备故障信号的模式识别算法对提高故障识别率和识别效率具有重要意义。本文以齿轮振动信号和声信号作为研究对象,采用高斯混合模型与子空间方法,研究设备故障模式识别过程中的相关算法,分析高斯混合模型与子空间方法在设备故障识别中应用的可行性与有效性。对提出的各种分类算法进行比较。论文所作的主要工作如下: 1)基于相空间重构与局部独立分量分析的降噪算法及其应用借鉴局部投影降噪算法的思想,将相空间重构与局部独立分量分析相结合用于信号降噪。采用仿真信号对该算法的降噪效果和三种不同相空间重构方法对降噪效果的影响进行了分析比较。该算法与全局投影等降噪算法相比,降噪效果更好。将该降噪算法与共振解调技术相结合,提出了一种适用于低速重载轴承故障诊断的方法。利用此方法对某炼钢厂转炉倾动机构悬挂齿轮箱耳轴轴承进行故障诊断,诊断结果与实际情况相符。 2)基于相空间重构与高斯混合模型的设备故障识别算法将非线性时间序列分析中的相空间重构算法与高斯混合模型相结合,用于设备故障信号的模式描述,并采用贝叶斯分类器对待检数据进行分类。采用该算法分别对齿轮振动信号和声信号进行训练和分类,结果表明,该算法能够克服噪音干扰,对各类齿轮故障进行识别,并具有很高的识别率。在此基础上,分析了各参数对识别率的影响,并论述了高斯混合模型参数的选择方法。 3)基于四分位偏差分形维与高斯混合模型的故障识别算法针对设备故障状态下信号的非线性,非平稳性,研究非趋势波动分析用于设备故障识别的可行性。在此基础上,提出采用四分位偏差分形维及其计算中产生的截距组成特征向量进行设备故障识别。根据振动信号的特点,提出先对信号进行极差标准化处理。此改进方法,降低了四分位偏差分形维对信号幅值大小及分布的敏感性。将该算法与高斯混合模型相结合,对齿轮故障进行识别,结果表明,提出的算法具有更好的鲁棒性、更高的识别率和较高的运算效率。 4)局部核主分量分析与高斯混合模型相结合的降维与故障识别算法提出局部核主分量分析与高斯混合模型相结合的降维与故障分类算法。应用该算法对齿轮振动信号进行分类实验,结果表明,提出的降维算法比模糊主分量分析的降维效果更好,而分类结果也优于模糊主分量分析—高斯混合模型方法和神经网络故障识别算法。本课题受到国家自然科学基金“基于加权相空间重构的早期故障特征提取理论研究”(编号50705069)与湖北省自然科学基金“设备故障时间序列的非线性检验与降噪研究”(编号2005ABA287)资助。
【学位单位】：武汉科技大学
【学位级别】：博士
【学位年份】：2007
【中图分类】：TH165.3
【部分图文】：

时间序列,独立分量分析,主分量分析

传感器从机械设备上所采集到的一维时间序列不可避免地含有噪声，时间序列中有用信息往往会淹没在噪声中而无法准确提取，给研究和应用工作带来困难。对设识别而言，无论是线性还是非线性特征量都会由于噪声的存在而使计算误差大大增起误判断。K．M．Cuomo 等人发现如果通信信道中的噪声超过混沌信号的 10%，无法同步。因此，在对数据进行进一步分析前必须对信号进行降噪预处理，尽可能声影响。1 独立分量分析独立分量分析（Independent Component Analysis， ICA），是主分量分析（Prinmponent Analysis, PCA）的推广方法之一，是从高维数据集分离高阶统计量的方法分量分析的目标是要搜索一组线性正交变换，这组变换可将一组随机变量表示成统的随机变量的线性组合。图 2.1 是独立分量分析与主分量分析的比较。

独立分量分析,盲源分离

（c）采用独立分量分析从混合信号中分离出来的独立信号图 2.2 独立分量分析实现盲源分离线性独立分量分析（ICA）模型虽然使用广泛，但仍存在局限性。现实世界的数据更多的具有非线性特点，线性 ICA 对这些数据描述会显得力不从心。此外，线性 ICA 模型试图用统一的特征量（即独立分量）来描述所有数据，这显然无法反映这些数据的局部统计特征。要克服以上两个缺陷，可以采用非线性 ICA 模型。但非线性 ICA 得出的结果通常具有不唯一性，为得到唯一的结果，需要加入更多的约束条件；然而，对于不同的状况，其约束条件往往也不同，这限制了非线性 ICA 的应用。此外，随着数据集维数的增加，非线性 ICA 建模耗时会急剧增加，这限制了非线性 ICA 在高维数据集中的应用。1999 年 JuhaKarhunen 等人提出将局部独立分量分析用于聚类[90-92]，其基本思想是局部线性化，即先将数据集进行聚类，形成若干个局部数据集，然后分别对这些局部数据集进行线性 ICA 分析，这样用局部独立分量表征数据集特征，既克服了全局线性 ICA 的局限性，又克服了非线性

转炉倾动机构,传感器安装,振动信号

1—炉体 2－托圈 3－悬挂齿轮箱 4－耳轴5—低频振动传感器 6－所测轴承位置图 2.10 转炉倾动机构结构及传感器安装位置示意图 2.12 分别为转炉在装炉量 294 吨时所测得的振动信号在降噪前 2 3 4时间（秒）0 50 100 150 05001000150020002500频率（Hz）功率谱幅值35.77Hz87.5Hz1.69Hz181H）原始振动信号时域波形（b）原始振动信号功率谱图 2.11 原始振动信号时域波形和功率谱

【相似文献】