本文關(guān)鍵詞：基于核密度估計(jì)和K-L散度的旋轉(zhuǎn)機(jī)械故障診斷與健康評(píng)估方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：旋轉(zhuǎn)機(jī)械設(shè)備被廣泛應(yīng)用在大型制造系統(tǒng)和重要技術(shù)裝備中,在國民經(jīng)濟(jì)和社會(huì)發(fā)展中占有非常重要的地位。滾動(dòng)軸承、齒輪等旋轉(zhuǎn)機(jī)械設(shè)備的關(guān)鍵部件擔(dān)負(fù)著傳遞力矩和支撐負(fù)載的任務(wù)。然而,由于受到交變機(jī)械應(yīng)力和偶然沖擊的作用,加上本身固有的制造誤差,滾動(dòng)軸承和齒輪等部件很容易產(chǎn)生早期缺陷。如果不及時(shí)發(fā)現(xiàn)這些早期故障并進(jìn)行適當(dāng)處理,將會(huì)導(dǎo)致?lián)p傷擴(kuò)展,進(jìn)而造成設(shè)備失效停機(jī)。為了實(shí)時(shí)了解設(shè)備的運(yùn)行狀態(tài)以便開展預(yù)防性維修,故障診斷和健康評(píng)估技術(shù)必不可少。在現(xiàn)有的旋轉(zhuǎn)機(jī)械故障診斷與運(yùn)行狀態(tài)健康評(píng)估方法中,基于數(shù)據(jù)驅(qū)動(dòng)的方法以其數(shù)據(jù)易獲取、模型易建立、分類評(píng)估準(zhǔn)確率高等特點(diǎn)得到了廣泛關(guān)注和應(yīng)用。盡管現(xiàn)有的很多基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷與健康評(píng)估方法都取得了顯著的成效,但絕大多數(shù)方法都是獨(dú)立地看待單個(gè)樣本,或多或少地忽略了同狀態(tài)樣本間的統(tǒng)計(jì)關(guān)系,而這種統(tǒng)計(jì)關(guān)系可能蘊(yùn)含著重要的故障和健康狀態(tài)信息。若能充分利用同狀態(tài)樣本統(tǒng)計(jì)特性相似,不同狀態(tài)樣本統(tǒng)計(jì)特性不同這一特點(diǎn),有助于提高故障診斷與健康評(píng)估的準(zhǔn)確性。圍繞上述基本思想,本文以旋轉(zhuǎn)機(jī)械中的滾動(dòng)軸承和錐齒輪為主要的研究對(duì)象,對(duì)基于數(shù)據(jù)驅(qū)動(dòng)的旋轉(zhuǎn)機(jī)械關(guān)鍵部件的故障診斷和健康評(píng)估方法開展研究。具體的研究內(nèi)容和主要?jiǎng)?chuàng)新如下:(1)針對(duì)局部均值分解存在的模態(tài)混淆問題及小波分解的“半自動(dòng)化”問題,本文將局部均值分解和離散小波變換有機(jī)結(jié)合,提出了一種混合的信號(hào)處理方法。通過該方法可以得到更為清晰、單一的頻帶分量,從而在基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷與健康評(píng)估過程中提取出更有效的特征。(2)為了從備選特征中挖掘出具有類別敏感性的有效特征,充分利用訓(xùn)練樣本所包含的類別信息至關(guān)重要。為此,本文利用統(tǒng)計(jì)學(xué)方法,提出了一種基于核密度估計(jì)(Kernel Density Estimation,KDE)與K-L散度(Kullback-Leibler Divergence,KLID)的特征選擇方法,提高了有效特征被選中的概率。該方法不僅可以像現(xiàn)有特征選擇方法一樣選擇出取值分布相似而均值差別大的有效特征,同時(shí)還能篩選出特征均值相近而分布差別大的有效特征。(3)從統(tǒng)計(jì)學(xué)角度提出一種基于KDE和KLID的數(shù)據(jù)驅(qū)動(dòng)旋轉(zhuǎn)機(jī)械故障診斷方法。由于該方法能充分利用了不同故障類別樣本集其統(tǒng)計(jì)特性不同,而相同故障類別統(tǒng)計(jì)特性類似這一特點(diǎn),因此其分類準(zhǔn)確性一定程度上優(yōu)于傳統(tǒng)的基于支持向量機(jī)(Support Vector Machine,SVM)和BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)的故障診斷方法。在錐齒輪和滾動(dòng)軸承的故障診斷案例中我們發(fā)現(xiàn),該方法的具有很好的分類準(zhǔn)確性和穩(wěn)健性。(4)健康評(píng)估可以看作是一種單類(One-Class)分類問題,只有正常狀態(tài)和偏離正常狀態(tài)之分。與故障診斷方法的思想類似,根據(jù)正常狀態(tài)樣本集與劣化狀態(tài)樣本集的統(tǒng)計(jì)特性不同,本文提出一種基于KDE與KLID的旋轉(zhuǎn)機(jī)械健康評(píng)估方法,準(zhǔn)確地實(shí)現(xiàn)了滾動(dòng)軸承的健康評(píng)估。該方法利用滑動(dòng)窗口動(dòng)態(tài)地從監(jiān)測(cè)數(shù)據(jù)中選取樣本集,并使用KDE得到其對(duì)應(yīng)的分布信息,利用KLID將此分布信息與正常狀態(tài)樣本集進(jìn)行對(duì)比,由此得到表征旋轉(zhuǎn)機(jī)械健康狀態(tài)的評(píng)估指標(biāo)。
【關(guān)鍵詞】：旋轉(zhuǎn)機(jī)械 數(shù)據(jù)驅(qū)動(dòng) 故障診斷 健康評(píng)估 特征提取 特征選擇
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TH17

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 王曉偉;閆德勤;唐祚;;一種基于貪心算法的快速PCA算法[J];微型機(jī)與應(yīng)用;2013年19期

  本文關(guān)鍵詞：基于核密度估計(jì)和K-L散度的旋轉(zhuǎn)機(jī)械故障診斷與健康評(píng)估方法研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：251834