基于特征贡献率的机械故障分类方法

发布时间：2021-09-08 11:44

　　为提高往复压缩机、航空发动机等复杂机械故障分类的准确率,依据特征参数对不同故障的敏感度存在差异的特性,提出一种狄利克雷过程混合模型（Dirichlet process mixture model,简称DPMM）与贝叶斯推断贡献（Bayesian inference contribution,简称BIC）相结合的分析方法。采用DPMM方法自学习机械振动信号高维特征的统计分布模型,并依据BIC理论计算得到各特征参数对模型的贡献率,通过对比观测数据与各类故障数据特征贡献率间的差异实现故障分类。试验结果表明,该方法的平均分类准确率比基于高斯混合模型（Gaussian mixture model,简称GMM）的故障诊断方法的平均分类准确率提高19.29%,比基于Relief算法的故障诊断方法的平均分类准确率提高32.71%,且该方法的时效性高,泛化性能强,能够更有效地进行复杂机械故障分类。 

【文章来源】：振动.测试与诊断. 2020,40(03)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

传感器测点布局

DPMM由于可以自动确定准确的分布分量数目，能够更精确地表征往复压缩机振动信号的分布特点。将GMM方法中的GMM更换为DPMM，并用相同测试样本对修改后的方法（DPMM方法）进行对比测试，试验结果如图4(b）所示。可以看出，拉缸故障模型与撞缸及液积故障模型有了明显区分，且撞缸故障模型的后验概率较GMM方法有所提升。然而撞缸与液积故障模型间差异不明显，依然存在误报警现象。所提方法将特征贡献率作为分类指标，其试验结果如图4(c）所示。可以看到，测试样本的特征贡献率与撞缸故障分类模型间的距离（无量纲）远小于其与拉缸故障分类模型间的距离，20次试验的分类准确率达到100%。该方法所构建的撞缸与液积故障的分类模型如图5所示，通过比较可以看出，机组发生不同故障后，各特征参数的贡献率（无量纲）会发生相应变化，两种分类模型间有着较明显的区别。因此，在准确表征振动信号分布特点基础上，将特征贡献率作为分类指标，能够突显不同故障数据间的差异。图5 故障分类模型

图4 撞缸故障分类效果与提出方法的分类方式相近，Relief方法将特征权重作为分类指标，通过比较测试样本的特征权重与各类故障数据特征权重间的距离（无量纲）进行故障分类。然而该方法仅对设备响应信号进行分析，由于某些激励信号的变化在叠加后的响应信号中体现不明显，通过该方法计算得到的特征权重中难以包含有效的故障信息，且由于往复压缩机振动信号呈现非平稳性，该分类指标稳定性较差。观察图4(d）可以看出，测试样本的特征权重与各分类模型间的距离波动较大，难以进行准确的故障分类。

【参考文献】：
期刊论文
[1]基于KSLPP与RWKNN的旋转机械故障诊断[J]. 王雪冬,赵荣珍,邓林峰.  振动与冲击. 2016(08)
[2]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京.  机械工程学报. 2015(21)
[3]基于动态PCA与改进SVM的航空发动机故障诊断[J]. 崔建国,严雪,蒲雪萍,齐义文,蒋丽英,师建强.  振动.测试与诊断. 2015 (01)
[4]基于融合信息的转子振动故障SVM诊断方法[J]. 艾延廷,陈潮龙,田晶,王志.  航空动力学报. 2014(10)
[5]工况传递路径分析法原理及其应用[J]. 伍先俊,吕亚东,隋富生.  噪声与振动控制. 2014(01)
[6]基于非线性复杂测度的往复压缩机故障诊断[J]. 唐友福,刘树林,刘颖慧,姜锐红.  机械工程学报. 2012(03)
[7]混合智能故障诊断与预示技术的应用进展[J]. 雷亚国,何正嘉.  振动与冲击. 2011(09)
[8]机械故障诊断的非线性动力学原理[J]. 陈予恕.  机械工程学报. 2007(01)



本文编号：3390730