發(fā)布時間：2018-03-26 07:21

  本文選題：設備性能衰退　切入點：早期故障　出處：《哈爾濱工業(yè)大學》2016年博士論文

【摘要】：機械制造加工業(yè)是國家工業(yè)發(fā)展的基礎,更是國家綜合實力的重要體現,高可靠性和近零故障是有效進行機械制造加工的重要保障。早期故障診斷技術能夠及時發(fā)現機械加工過程早期故障的微弱信息,根據故障發(fā)生的位置、類別以及嚴重程度提供有效的維修決策,對于實現高效可靠的機械加工過程具有重大意義。然而,早期故障的微弱信號具有幅值微弱、低信噪比、故障特征冗余度高以及高維非線性的特點。因此,如何從監(jiān)測的低信噪比信號中,提取早期微弱故障特征,實現微弱信號主特征選擇及高維非線性特征降維分析,有效實現機械加工故障的早期診斷是迫切需要解決的問題。針對早期故障的低信噪比微弱信號處理問題,在傳統(tǒng)的經驗模態(tài)分解方法基礎上,提出了基于嵌入降噪的篩選迭代方法,對信號的篩選迭代分解過程進行降噪分析和準模態(tài)平滑處理,減小由端點缺失造成的扭曲現象,以解決噪聲干擾和迭代誤差造成的端點效應問題;同時,提出了基于相關分析的停止準則,考慮了迭代過程準模態(tài)間的局部關系,及分解模態(tài)與信號相關關系的全局特性,達到消除經驗模態(tài)分解冗余模態(tài)的目的。對早期故障信號和低信噪比微弱信號的分析,以及與基于預測延拓的端點效應抑制方法的對比分析,驗證了提出的方法解決經驗模態(tài)分解方法端點效應和冗余模態(tài)的能力,為實現早期故障信號及低信噪比微弱信號的分析提供理論及技術支持。從空間域和頻域分析了小幅值微弱信號,通過功率譜密度方法、二維小波方法和二維經驗模態(tài)分解方法實現了微弱信號各頻域分量的提取;并針對傳統(tǒng)二維經驗模態(tài)分解方法的冗余模態(tài)問題,提出了基于嵌入降噪迭代的二維經驗模態(tài)分解方法,在迭代分解過程中消除了包絡擬合造成的誤差。對精密加工小幅值微弱信號的分析表明,提出的方法有效實現了晶體表面微觀形貌的刀痕信息、進給方向的紋理特征及加工缺陷的特征識別,能夠精確分析各形貌特征對晶體加工質量的影響,為從加工缺陷機理上改善加工質量提供技術支持。針對早期故障微弱信號的主特征選擇問題,提出了基于動態(tài)遺傳算法的主特征判定模型;研究高維非線性特征的動態(tài)編碼機制,計算每個特征維度上特征集的適應度值,并選擇該特征維度的最優(yōu)特征集;根據精英保留策略動態(tài)更新特征空間的維度,迭代計算該維度的最優(yōu)特征集;研究了基于受測試曲線分析(ROC)的系統(tǒng)敏感度辨識模型,對于設備的多元狀態(tài)識別模型,分別計算每個模型的敏感度和特異性值,根據多元狀態(tài)的辨識指標和特征累積頻率判定系統(tǒng)的主特征。通過對轉子和軸承性能衰退過程早期故障分析,以及與其它五種特征選擇方法對比分析,表明提出的主特征選擇方法能夠以較小的特征維度獲得較高的分類正確率。針對早期故障微弱信號高維非線性特征的降維問題,提出了考慮全局特征的互信息特征加權和流形優(yōu)化的監(jiān)督式局部線性嵌入方法。結合樣本的類別信息,通過基于互信息分析的特征加權方法,保留全局特征的完整性并突出主要貢獻的特征,實現了樣本點鄰域的加權選擇;在此基礎上,采用極大似然法實現了樣本特征在低維空間的流形維度估計,和基于偏最小二乘法的測試樣本流形映射。針對監(jiān)督式局部線性嵌入方法獲得低維流形的冗余性問題,通過基于互信息分析的流形排序方法,選擇低維空間的最優(yōu)流形組合。通過與其他的特征降維方法,以及不同的組合方法進行對比分析,驗證了提出的改進的流形學習方法能夠實現高維特征的非線性降維,并改善模型識別刀具早期故障的精度。
[Abstract]:Machinery manufacturing industry is the foundation of a country's industrial development, it is an important manifestation of the comprehensive national strength, high reliability and near zero fault is an important guarantee for effective mechanical processing. The early fault diagnosis technology can detect weak information of early fault in the machining process, according to the fault location, type and severity of providing effective maintenance decision, is of great significance for the machining process to achieve efficient and reliable. However, the weak signal with the amplitude of weak fault, low SNR, high redundancy and fault characteristics of high dimensional nonlinear characteristics. Therefore, how to monitor the low SNR signal, extracting early weak fault characteristics, analysis the main dimension of weak signal feature selection and high dimension nonlinear characteristics, is an urgent need to solve the problem of early diagnosis of mechanical fault needle effectively. Low SNR signal processing problem of early fault, based on the empirical mode decomposition method on the traditional iterative method is proposed based on embedded noise screening, screening of iterative signal decomposition process of noise analysis and quasi modal smoothing, reduce the distortions caused by the lack of the endpoint, the endpoint effect to solve the problem the noise and the error caused by iteration; at the same time, a new stop criterion is proposed based on the correlation analysis, the iterative process of quasi local relations between modes, and modal correlation and signal decomposition of the global characteristics, to eliminate redundant EMD modal purposes. For early fault signals and low SNR signal analysis the analysis and comparison of prediction and extension of extension of the endpoint effect suppressing method based on the proposed method to solve the end effect of empirical mode decomposition method and redundancy mode The ability to achieve the early fault signal and low signal-to-noise ratio to provide theoretical and technical support. The analysis of weak signal from the spatial domain and frequency domain analysis of the signal amplitude, power spectrum density method by wavelet method, two dimensional and two-dimensional empirical mode decomposition method to realize the extraction of weak signal of each frequency component; and the redundancy mode the problem of traditional two-dimensional empirical mode decomposition method, the decomposition method of two-dimensional empirical mode embedded noise reduction based on iteration, the iterative decomposition process eliminates the error caused by the envelope fitting. The precision machining of small amplitude analysis of weak signals show that the proposed method can effectively realize the morphology of the crystal surface mark information, texture feature recognition the defects and processing feed direction, can accurately analyze the impact of the morphology of the crystal processing quality, from the processing defect mechanism of change Provide technical support and good processing quality. For the problem of selecting main characteristics of early fault signal, puts forward the decision model of the main dynamic characteristics based on genetic algorithm; dynamic encoding mechanism of high dimensional nonlinear characteristics, the calculation of each feature dimension feature set fitness value, and choose the best feature the feature dimension to the elite collection; keep the dimensions of dynamic updating strategies of feature space, the optimal iterative calculation of this dimension is studied by analyzing the collection; test curve (ROC) system based on sensitivity identification model for multi state recognition model of the equipment, the sensitivity and specificity were calculated for each value of the model, according to the main characteristics of multi state and identification index the characteristics of the cumulative frequency of the system. Through the analysis of the rotor and bearing performance degradation process and early fault, and the other five kinds of feature selection methods for analysis, table The main feature that the proposed method is able to select the feature dimension smaller higher classification accuracy. Aiming at the problem of dimensionality reduction of early fault weak signal of high dimensional nonlinear characteristics, considering the features of global mutual information feature weighted and supervised manifold optimization method. Combined with the local linear embedding of the classification information of samples by feature weighting the method of mutual information based on the analysis of the characteristics of integrity preserved global features and highlight the main contribution of the weighting sample selection of neighborhood; on this basis, the sample characteristic manifold dimension in the low dimensional space is estimated by the maximum likelihood method, and based on the test sample manifold mapping partial least squares method. According to the method of supervision local linear embedding for the redundancy of the low dimensional manifold, manifold ranking by the method of mutual information based on the analysis of the optimal selection of low dimensional space Compared with other feature reduction methods and different combination methods, it is verified that the improved manifold learning method can achieve nonlinear dimensionality reduction of high-dimensional features, and improve the accuracy of model identification for early failure of tools.

【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TH16;TH17

【相似文獻】

相關期刊論文 前10條

1 周華;蔡超;丁明躍;;基于流形學習和流形高階近似的圖像距離度量[J];華中科技大學學報(自然科學版);2012年03期

2 黃鴻;李見為;馮海亮;;融合局部和全局結構的流形學習[J];光學精密工程;2009年03期

3 賀廣南;楊育彬;;基于流形學習的圖像檢索算法研究[J];山東大學學報(工學版);2010年05期

4 金波;;基于年齡流形的人臉圖像年齡識別[J];中國新技術新產品;2011年01期

5 高崢;杜川;;基于流形學習算法的人臉識別研究[J];河南機電高等�？茖W校學報;2011年04期

6 詹煒;;流形學習算法概述[J];武漢船舶職業(yè)技術學院學報;2013年02期

7 丁玲;唐娉;李宏益;;基于流形學習的混合光譜解混分析[J];紅外與激光工程;2013年09期

8 顧艷春;;一種基于線性插值的流形學習算法[J];佛山科學技術學院學報(自然科學版);2013年01期

9 張輝遠;;基于高光譜影像的流形學習降維方法近鄰畸變分析[J];鐵道勘察;2014年02期

10 馮海亮;李見為;王旭初;黃鴻;;基于非線性子流形的人臉識別[J];重慶大學學報;2008年03期

相關會議論文 前4條

1 宋欣;王娟;張斌;葉世偉;;流形學習算法分析及在人臉數據庫上的應用[A];2008年全國開放式分布與并行計算機學術會議論文集(上冊)[C];2008年

2 劉曉平;季浩;鄧偉財;;基于流形學習的非線性系統(tǒng)可視化算法[A];全國第21屆計算機技術與應用學術會議（CACIS·2010）暨全國第2屆安全關鍵技術與應用學術會議論文集[C];2010年

3 何慧;陳博;郭軍;;基于流形學習的半監(jiān)督文本情感分類算法[A];第五屆全國信息檢索學術會議論文集[C];2009年

4 蔣全勝;賈民平;胡建中;許飛云;;一種基于流形學習的故障模式識別方法[A];第九屆全國振動理論及應用學術會議論文集[C];2007年

相關博士學位論文 前10條

1 蘇祖強;基于泛化流形學習的風電機組傳動系統(tǒng)早期故障診斷方法研究[D];重慶大學;2015年

2 黃焱;基于流形學習的金融數據分析方法研究[D];電子科技大學;2015年

3 馬婧華;基于流形學習的旋轉機械早期故障融合診斷方法研究[D];重慶大學;2015年

4 邢向磊;流形學習與稀疏表示在模式識別中的應用[D];南京大學;2013年

5 盧磊;機械加工過程中的早期故障微弱信號處理方法研究[D];哈爾濱工業(yè)大學;2016年

6 郝中華;基于微分流形的非線性降維方法研究[D];上海大學;2016年

7 黃鴻;圖嵌入框架下流形學習理論及應用研究[D];重慶大學;2008年

8 尹峻松;流形學習理論與方法研究及在人臉識別中的應用[D];國防科學技術大學;2007年

9 黃啟宏;流形學習方法理論研究及圖像中應用[D];電子科技大學;2007年

10 馮海亮;流形學習算法在人臉識別中的應用研究[D];重慶大學;2008年

相關碩士學位論文 前10條

1 胡浩松;基于流形學習的旋轉機械故障識別方法研究[D];燕山大學;2015年

2 丁春濤;基于圖嵌入的判別近鄰分析研究及應用[D];蘇州大學;2015年

3 余嬋娟;交互式人臉檢索中人機人臉認知一致性研究[D];上海大學;2015年

4 陳明霞;基于半監(jiān)督的多流形學習算法研究[D];華僑大學;2015年

5 顧陽陽;基于流形學習的雷達輻射源識別技術[D];西安電子科技大學;2014年

6 高漢宇;基于最優(yōu)r-覆蓋堆積數本征維數估計方法及其應用[D];西安電子科技大學;2014年

7 羅廷金;基于流形學習的數據降維算法研究[D];國防科學技術大學;2013年

8 周韻然;基于流形學習的A股上市公司抽樣的信用評價[D];電子科技大學;2014年

9 史仍浩;基于流形學習的在線社會網絡節(jié)點分類[D];上海交通大學;2013年

10 陳詩文;流形學習在數據降維中的應用研究[D];浙江工業(yè)大學;2015年

，

本文編號：1666907