【摘要】：隨著科學(xué)技術(shù)的飛速發(fā)展,現(xiàn)代機械設(shè)備越來越大型化、高速化、重載化和智能化,而這些設(shè)備的運行工況卻越來越復(fù)雜和苛刻,因此要求其具有很高的運行可靠性。如果機械設(shè)備中某些關(guān)鍵部件發(fā)生了故障,不但會造成企業(yè)和國家的巨大經(jīng)濟損失,嚴重時甚至?xí)䦟?dǎo)致人員傷亡和環(huán)境污染并造成惡劣的社會影響。因此機械設(shè)備的狀態(tài)監(jiān)測和故障診斷對保障企業(yè)的經(jīng)濟效益和工人的安全意義重大。本文以稀疏表征理論和字典學(xué)習(xí)方法為基礎(chǔ),以滾動軸承、齒輪和轉(zhuǎn)子等旋轉(zhuǎn)機械關(guān)鍵零部件為研究對象,其中字典學(xué)習(xí)方法以K-SVD算法為基礎(chǔ),圍繞著基于K-SVD算法的字典學(xué)習(xí)以及稀疏表征方法開展了四個方面的研究:基于移不變K-SVD字典學(xué)習(xí)的微弱故障特征提取;基于移不變K-SVD字典學(xué)習(xí)的單通道復(fù)合故障分析;基于K-SVD和改進LLC算法的局部約束稀疏特征提取;基于時頻圖像和K-SVD判別式字典學(xué)習(xí)的智能診斷。本文的主要研究內(nèi)容如下所示:(1)針對信號中存在周期性重復(fù)出現(xiàn)的特征模式的問題,提出了一種基于移不變K-SVD字典學(xué)習(xí)的機械故障信號特征提取方法。該方法主要包括兩大步即多個故障特征模式學(xué)習(xí)和最優(yōu)潛在成分的選擇,能夠有效地提取出機械故障信號中周期性重復(fù)出現(xiàn)的故障特征。通過仿真和實驗分析,并與基于K-SVD字典學(xué)習(xí)和小波字典匹配追蹤的信號特征提取方法進行了對比,驗證了所述方法的有效性。(2)針對機械復(fù)合故障,提出了一種基于移不變K-SVD字典學(xué)習(xí)和自適應(yīng)聚類的單通道盲源分離方法。該方法先用移不變K-SVD字典學(xué)習(xí)方法對單通道復(fù)合故障信號進行自適應(yīng)學(xué)習(xí)得到一組基函數(shù)及對應(yīng)的潛在成分,然后根據(jù)潛在成分的結(jié)構(gòu)相似性進行聚類分析并使用最小類類間相關(guān)系數(shù)均值來確定最佳聚類數(shù)目,最終實現(xiàn)不同故障源信號的分離。通過滾動軸承復(fù)合故障的仿真和實驗分析,驗證了該方法的有效性。(3)為了使不同狀態(tài)信號具有更好的可區(qū)分性,從而提高故障診斷準確率,在局部約束線性編碼(LLC)算法的基礎(chǔ)上,提出了一種基于K-SVD字典學(xué)習(xí)和改進LLC稀疏編碼的局部約束稀疏特征提取方法。該方法首先使用時域和頻域等特征提取方法提取機械振動信號的特征并將其作為初始特征,之后進行每類K-SVD字典學(xué)習(xí)獲得包含各個狀態(tài)類別的過完備字典,然后利用改進LLC算法得到基于改進LLC稀疏編碼的局部約束稀疏特征,最后將改進LLC稀疏編碼作為特征向量,利用改進PSO算法優(yōu)化的SVM對機械故障進行診斷。通過滾動軸承單一故障和復(fù)合故障試驗,對所述方法的可行性和有效性進行了驗證。(4)機械振動信號的時頻圖蘊含著豐富的特征信息,為實現(xiàn)時頻特征的自動分類識別,提出了一種基于機械振動信號時頻圖和判別式字典學(xué)習(xí)的故障診斷方法。該方法首先對機械振動信號進行小波變換以獲得小波時頻圖,然后采用灰度共生矩陣提取小波時頻圖的紋理特征,最后利用基于判別式K-SVD字典學(xué)習(xí)的標簽一致K-SVD(LC-KSVD)算法實現(xiàn)故障的智能診斷。通過滾動軸承故障和轉(zhuǎn)子故障的診斷,驗證了該方法的有效性。
【圖文】：

圖 2-1 不同 p 值對應(yīng)的曲線ppsFig.2-1 The behavior ofpps for different values of p上是 Lp范數(shù)最優(yōu)化問題，右邊等式 x = Ds定義了一個何空間中，可以把這個子空間視為一個超平面，那么是在該超平面上搜尋向量 s 的 Lp范數(shù)最小的解。選取和 0.7，如圖 2-2 所示，紫色代表 x = Ds對應(yīng)的可行解超數(shù)，不斷吹藍色“氣球”，“氣球”會一直膨脹，直至第停止，，相交點性質(zhì)即為我們關(guān)心的問題。由圖可見，當超平面相交點的三個坐標值均非零，因此為非稀疏解。超平面相交點位于坐標軸上，其他坐標軸的值為零，因取小于 1 的其他值時，Lp范數(shù)與可行解超平面相交點都。因此通常采用 p∈ [0,1]范圍內(nèi)的pl 范數(shù)作為稀疏性度問題是凸優(yōu)化問題，可以使用基追蹤算法求解。而 p∈凸的，可以采用貪婪算法或 FOCUSS 算法求解，具體

圖 2-2 Lp范數(shù)球面與 x = Ds可行解超平面的相交點：p=2 (左上)，p =1.5 (右上)，p =1 (左下)，p =0.7 (右下)e intersection between the ball representing Lpnorm and the hyperplane representinon of x = Ds：p=2 (top left), p=1.5 (top right), p=1 (bottom left) and p=0.7 (botto疏系數(shù)求解算法-3)所示的信號稀疏表征求解方法實際上是基于 L0范數(shù)的優(yōu)化問題。度量解的稀疏性的函數(shù)，但 L0范數(shù)優(yōu)化是一個非凸的 NP 難問題，為組合方法，給定稀疏約束條件 L0=p，從字典中依次選擇 p 個原子形成選擇的 p 個原子能否精確表征信號。組合方法的計算復(fù)雜度很高，在現(xiàn)。因此，需要將稀疏約束條件盡量放松，常用 Lp范數(shù)代替 L0范數(shù)數(shù)，即松弛優(yōu)化方法。此外，也可以采用貪婪追蹤算法求解次優(yōu)的 = 1即 L1范數(shù)時，L1范數(shù)優(yōu)化為凸優(yōu)化問題，可以使用在稀疏表征中 (Basis Pursuit, BP)[153]方法來求解。當0 < p< 1時，可以采用 FOCU相對于 L1范數(shù)，Lp(0 < p<1)范數(shù)獲得的表征更加稀疏，但由于 Lp(0
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：TH17;TP181

【參考文獻】

相關(guān)期刊論文 前3條

1 毋文峰;陳小虎;蘇勛家;;基于經(jīng)驗?zāi)Ｊ椒纸獾膯瓮ǖ罊C械信號盲分離[J];機械工程學(xué)報;2011年04期

2 袁勝發(fā);褚福磊;;支持向量機及其在機械故障診斷中的應(yīng)用[J];振動與沖擊;2007年11期

3 畢果;陳進;李富才;何俊;周福昌;;譜相關(guān)密度分析在軸承點蝕故障診斷中的研究[J];振動工程學(xué)報;2006年03期

相關(guān)碩士學(xué)位論文 前1條

1 羅江華;貝葉斯網(wǎng)絡(luò)在機械故障診斷中的應(yīng)用研究[D];重慶大學(xué);2006年

本文編號：2598492