【摘要】：旋轉(zhuǎn)機(jī)械的數(shù)量在現(xiàn)代機(jī)械設(shè)備中占有很大比例,旋轉(zhuǎn)機(jī)械運(yùn)行狀態(tài)監(jiān)測(cè)和故障診斷分析,對(duì)保障設(shè)備運(yùn)行安全和企業(yè)生產(chǎn)效益至關(guān)重要。復(fù)雜系統(tǒng)的旋轉(zhuǎn)機(jī)械在出現(xiàn)故障時(shí)所監(jiān)測(cè)到的振動(dòng)信號(hào)具有明顯的非線性特性,使用傳統(tǒng)時(shí)頻方法難以從復(fù)雜信號(hào)中提取出有效特征量。為了及時(shí)、準(zhǔn)確地識(shí)別和診斷出故障狀態(tài),從監(jiān)測(cè)信號(hào)中提取出有效信息量,本文將目前普遍認(rèn)可并廣泛采用的非線性高維數(shù)據(jù)處理方法,引入到旋轉(zhuǎn)機(jī)械的旋轉(zhuǎn)零部件——滾動(dòng)軸承、齒輪以及轉(zhuǎn)子的故障診斷中,對(duì)目前主要的流形學(xué)習(xí)方法從理論上進(jìn)行分析,找出適用于機(jī)械故障診斷領(lǐng)域的流形學(xué)習(xí)方法——拉普拉斯特征映射LE算法,并對(duì)旋轉(zhuǎn)機(jī)械三大旋轉(zhuǎn)零部件的故障進(jìn)行仿真和模擬實(shí)驗(yàn)識(shí)別。本論文的主要研究?jī)?nèi)容如下:(1)分析歸納了滾動(dòng)軸承、齒輪以及轉(zhuǎn)子的各種運(yùn)行故障和失效形式,闡述了以振動(dòng)信號(hào)測(cè)試為基礎(chǔ)的時(shí)域、頻域和時(shí)頻域信號(hào)分析和故障特征提取方法,研究提出了以30個(gè)特征向量構(gòu)造一個(gè)含有設(shè)備運(yùn)行狀態(tài)信息的高維特征空間。重點(diǎn)應(yīng)用各種非線性狀態(tài)識(shí)別方法研究了從高維空間識(shí)別旋轉(zhuǎn)設(shè)備運(yùn)行狀態(tài),最后成功地將非線性流形學(xué)習(xí)方法--拉普拉斯特征映射算法應(yīng)用于旋轉(zhuǎn)設(shè)備的故障識(shí)別中。(2)對(duì)目前主要的流形學(xué)習(xí)方法進(jìn)行了理論分析,從降維過程中保持流形的拓?fù)浣Y(jié)構(gòu)特征整體性角度的不同,可分為:全局特性保持和局部特性保持兩類,并對(duì)三個(gè)經(jīng)典的、具有不同特性的高維非線性數(shù)據(jù)集swissroll、swisshole及puncturedsphere進(jìn)行降維處理,對(duì)比驗(yàn)證各種方法識(shí)別的有效性。從理論分析和降維實(shí)驗(yàn)結(jié)果中發(fā)現(xiàn)拉普拉斯特征映射le算法表現(xiàn)出強(qiáng)烈的“物以類聚,人以群分”的性質(zhì),符合模式識(shí)別中的聚類特性分析,提出將le算法應(yīng)用到旋轉(zhuǎn)機(jī)械的故障診斷分類識(shí)別中。(3)針對(duì)流形學(xué)習(xí)算法中近鄰值k和樣本點(diǎn)n兩個(gè)參數(shù)選擇的問題,通過目前6種經(jīng)典的流形學(xué)習(xí)算法分別對(duì)兩組經(jīng)典高維數(shù)據(jù)集進(jìn)行降維分析,綜合考慮降維得到的二維結(jié)果圖和所需時(shí)間等因素,確定近鄰值k的取值范圍為8-12,對(duì)于拉普拉斯特征映射le算法k值取值為8;樣本點(diǎn)數(shù)應(yīng)高于800,但也不宜過多。(4)根據(jù)模式識(shí)別方法和降維方法特性,提出使用由時(shí)域特征量、小波包分解和emd分解得到的各頻帶所具有能量在總頻帶中所占能量比作為原始特征量構(gòu)建高維特征空間,將旋轉(zhuǎn)設(shè)備的各種運(yùn)行狀態(tài)信息融合在一個(gè)高維數(shù)據(jù)空間內(nèi),進(jìn)而使用各種非線性降維學(xué)習(xí)方法識(shí)別設(shè)備運(yùn)行狀態(tài)。(5)本文將拉普拉斯特征映射le算法分別應(yīng)用到滾動(dòng)軸承、齒輪箱和轉(zhuǎn)子的故障分類識(shí)別方法中。按照由簡(jiǎn)單到復(fù)雜的原則,先使用模擬仿真信號(hào)進(jìn)行可行性探究,繼而對(duì)復(fù)雜的實(shí)測(cè)故障信號(hào)進(jìn)行分類識(shí)別,以證明le算法在滾動(dòng)軸承、齒輪箱和轉(zhuǎn)子系統(tǒng)故障識(shí)別中的有效性和可行性。(6)為了與三種傳統(tǒng)方法pca、mds(線性方法)和kpca(非線性核方法)的降維結(jié)果進(jìn)行對(duì)比,采用了三維圖像直觀地表示故障樣本分類效果;使用樣本平均識(shí)別率、類間距Sb、類內(nèi)距Sw和類間距與類內(nèi)距的對(duì)數(shù)ln(Sb/Sw)四個(gè)量化參數(shù),證明了LE算法所提取得到的前三維特征量所包含的設(shè)備運(yùn)行狀態(tài)信息量的比重大,在滾動(dòng)軸承、齒輪箱和轉(zhuǎn)子系統(tǒng)中故障樣本分類識(shí)別中具有一定的優(yōu)越性。綜上所述,LE方法在旋轉(zhuǎn)機(jī)械的故障樣本識(shí)別中,比傳統(tǒng)線性方法、甚至核方法KPCA具有更好的分類識(shí)別效果,將LE算法運(yùn)用到機(jī)械設(shè)備的狀態(tài)識(shí)別和故障診斷中,對(duì)更好地解決工程的實(shí)際問題具有重要意義。
[Abstract]:......
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TH17

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉志勇;;基于保距與保拓?fù)涞牧餍螌W(xué)習(xí)算法[J];長(zhǎng)江大學(xué)學(xué)報(bào)(自然科學(xué)版)理工卷;2010年02期

2 周華;蔡超;丁明躍;;基于流形學(xué)習(xí)和流形高階近似的圖像距離度量[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

3 黃鴻;李見為;馮海亮;;融合局部和全局結(jié)構(gòu)的流形學(xué)習(xí)[J];光學(xué)精密工程;2009年03期

4 賀廣南;楊育彬;;基于流形學(xué)習(xí)的圖像檢索算法研究[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2010年05期

5 金波;;基于年齡流形的人臉圖像年齡識(shí)別[J];中國新技術(shù)新產(chǎn)品;2011年01期

6 高崢;杜川;;基于流形學(xué)習(xí)算法的人臉識(shí)別研究[J];河南機(jī)電高等�？茖W(xué)校學(xué)報(bào);2011年04期

7 詹煒;;流形學(xué)習(xí)算法概述[J];武漢船舶職業(yè)技術(shù)學(xué)院學(xué)報(bào);2013年02期

8 丁玲;唐娉;李宏益;;基于流形學(xué)習(xí)的混合光譜解混分析[J];紅外與激光工程;2013年09期

9 顧艷春;;一種基于線性插值的流形學(xué)習(xí)算法[J];佛山科學(xué)技術(shù)學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

10 張輝遠(yuǎn);;基于高光譜影像的流形學(xué)習(xí)降維方法近鄰畸變分析[J];鐵道勘察;2014年02期

相關(guān)會(huì)議論文 前4條

1 宋欣;王娟;張斌;葉世偉;;流形學(xué)習(xí)算法分析及在人臉數(shù)據(jù)庫上的應(yīng)用[A];2008年全國開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(上冊(cè))[C];2008年

2 劉曉平;季浩;鄧偉財(cái);;基于流形學(xué)習(xí)的非線性系統(tǒng)可視化算法[A];全國第21屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2010）暨全國第2屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

3 何慧;陳博;郭軍;;基于流形學(xué)習(xí)的半監(jiān)督文本情感分類算法[A];第五屆全國信息檢索學(xué)術(shù)會(huì)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(xué)習(xí)的故障模式識(shí)別方法[A];第九屆全國振動(dòng)理論及應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 蘇祖強(qiáng);基于泛化流形學(xué)習(xí)的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障診斷方法研究[D];重慶大學(xué);2015年

2 馬婧華;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械早期故障融合診斷方法研究[D];重慶大學(xué);2015年

3 邢向磊;流形學(xué)習(xí)與稀疏表示在模式識(shí)別中的應(yīng)用[D];南京大學(xué);2013年

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

5 郝中華;基于微分流形的非線性降維方法研究[D];上海大學(xué);2016年

6 黃紅兵;層次流形學(xué)習(xí)及其在監(jiān)督分類中的應(yīng)用[D];上海交通大學(xué);2015年

7 杜春;流形學(xué)習(xí)及其應(yīng)用算法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

8 李月仙;基于拉普拉斯特征映射算法的旋轉(zhuǎn)機(jī)械故障診斷研究[D];太原理工大學(xué);2016年

9 李俊;基于智能優(yōu)化的特征選擇及分類方法研究[D];武漢大學(xué);2014年

10 黃鴻;圖嵌入框架下流形學(xué)習(xí)理論及應(yīng)用研究[D];重慶大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 胡浩松;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障識(shí)別方法研究[D];燕山大學(xué);2015年

2 丁春濤;基于圖嵌入的判別近鄰分析研究及應(yīng)用[D];蘇州大學(xué);2015年

3 余嬋娟;交互式人臉檢索中人機(jī)人臉認(rèn)知一致性研究[D];上海大學(xué);2015年

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

5 顧陽陽;基于流形學(xué)習(xí)的雷達(dá)輻射源識(shí)別技術(shù)[D];西安電子科技大學(xué);2014年

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

7 羅廷金;基于流形學(xué)習(xí)的數(shù)據(jù)降維算法研究[D];國防科學(xué)技術(shù)大學(xué);2013年

8 周韻然;基于流形學(xué)習(xí)的A股上市公司抽樣的信用評(píng)價(jià)[D];電子科技大學(xué);2014年

9 史仍浩;基于流形學(xué)習(xí)的在線社會(huì)網(wǎng)絡(luò)節(jié)點(diǎn)分類[D];上海交通大學(xué);2013年

10 陳詩文;流形學(xué)習(xí)在數(shù)據(jù)降維中的應(yīng)用研究[D];浙江工業(yè)大學(xué);2015年

，

本文編號(hào)：2463010