本文關(guān)鍵詞： 汽車(chē)起重機(jī)主泵 狀態(tài)監(jiān)控 智能故障診斷 小波去噪 bootstrap 白化檢驗(yàn) AFDR 小波leaders多重分形特征 PSO-RVM ANT-SVDD DBI K均值聚類(lèi)　出處：《上海交通大學(xué)》2013年博士論文　論文類(lèi)型：學(xué)位論文

【摘要】：設(shè)備在服役期內(nèi)的安全性、可靠性越來(lái)越受到業(yè)界的重視。起重機(jī)廣泛應(yīng)用于眾多基礎(chǔ)建設(shè)項(xiàng)目，工作環(huán)境惡劣復(fù)雜，是事故率最高的特種機(jī)械設(shè)備之一。設(shè)備關(guān)鍵部件發(fā)生故障，就可能破壞整臺(tái)設(shè)備甚至影響整個(gè)生產(chǎn)過(guò)程，不僅造成巨大的經(jīng)濟(jì)損失，甚至可能導(dǎo)致災(zāi)難性的人員傷亡事故。實(shí)時(shí)監(jiān)控設(shè)備運(yùn)行狀態(tài)、及時(shí)對(duì)其故障進(jìn)行診斷是避免非計(jì)劃停機(jī)和保障起重機(jī)安全生產(chǎn)的重要措施。 基于數(shù)據(jù)驅(qū)動(dòng)的狀態(tài)監(jiān)控與智能診斷是當(dāng)前研究的一個(gè)熱點(diǎn)，同時(shí)也面臨著一系列理論和技術(shù)上的挑戰(zhàn)：復(fù)雜噪聲環(huán)境下有用信號(hào)的提��；設(shè)備運(yùn)行狀態(tài)有效特征的提�。换趯�(shí)時(shí)在線(xiàn)智能故障診斷模型的建立；以及針對(duì)故障樣本稀缺和故障模式不完備情況下智能診斷模型的建立等。本文研究復(fù)雜工作環(huán)境下工程機(jī)械狀態(tài)監(jiān)控與故障診斷的共性關(guān)鍵理論方法與技術(shù)，并應(yīng)用于大型汽車(chē)起重機(jī)主泵。主要內(nèi)容包括： （1）小波去噪是信號(hào)處理領(lǐng)域中的重要方法，如何確定小波分解層數(shù)是一個(gè)關(guān)鍵問(wèn)題。本文針對(duì)加性高斯白噪聲的情況，提出了基于blockbootstrap進(jìn)行白化檢驗(yàn)確定小波分解層數(shù)的新方法。主要包含三個(gè)步驟：首先對(duì)信號(hào)進(jìn)行小波分解，利用延遲自相關(guān)量考察小波系數(shù)的相關(guān)性；其次，根據(jù)每層系數(shù)相關(guān)性的程度，采用block bootstrap過(guò)程或者bootstrap過(guò)程對(duì)原始的小波系數(shù)進(jìn)行采樣產(chǎn)生新的bootstrap樣本；最后，由于有用信號(hào)和噪聲在小波空間上不同的傳播特性，對(duì)獲得的小波系數(shù)樣本進(jìn)行白化檢驗(yàn)，繼而確定合適的分解層數(shù)。實(shí)驗(yàn)表明，該方法對(duì)白噪聲污染信號(hào)能夠獲得合適的分解層數(shù)和良好的去噪效果。 （2）小波閾值的選取是小波去噪的另一個(gè)關(guān)鍵因素。本文提出了一個(gè)基于Advanced False Discovery Rate （AFDR）的多假設(shè)檢驗(yàn)方法確定小波閾值的新方法，該方法基于對(duì)真的原假設(shè)數(shù)目的估計(jì)，選擇合適的step wise過(guò)程（step-up，step-down，step-up-down）。AFDR過(guò)程與標(biāo)準(zhǔn)的FDR過(guò)程相比，有兩個(gè)主要特點(diǎn)：通過(guò)減少比較的次數(shù)，提高了多假設(shè)檢驗(yàn)的效率；提高了檢驗(yàn)的勢(shì)。對(duì)應(yīng)的的自適應(yīng)小波去噪方法主要包含兩個(gè)步驟，第一，模型在小波域得到更緊湊的表示，第二，根據(jù)小波系數(shù)本身的特點(diǎn)，選擇最合適的FDR過(guò)程。仿真數(shù)據(jù)和實(shí)際實(shí)驗(yàn)表明，算法能夠靈活調(diào)整顯著性水平的大小并有效去噪，本方法濾波效果與其它經(jīng)典的濾波技術(shù)相比，具有一定的優(yōu)勢(shì)。 （3）基于小波leaders多重分形分析提出了振動(dòng)信號(hào)特征提取新方法。在本文算法中，由尺度指數(shù)、多重分形譜和log累積量構(gòu)成多重分形特征對(duì)設(shè)備不同故障狀態(tài)和故障程度進(jìn)行診斷，并對(duì)各分形特征及其組合的分類(lèi)性能進(jìn)行評(píng)估。8個(gè)小波包能量特征也被引入到特征集合，實(shí)驗(yàn)在軸承11組故障數(shù)據(jù)集上表明，能夠獲得較為理想的分類(lèi)效果。同時(shí)表明，多重分形特征結(jié)合小波包能量特征的分類(lèi)性能優(yōu)于多重分形特征或小波包能量特征或時(shí)域統(tǒng)計(jì)特征，也優(yōu)于時(shí)域統(tǒng)計(jì)特征與小波包能量特征或多重分形特征的組合特征。利用距離評(píng)價(jià)準(zhǔn)則，對(duì)組合特征進(jìn)行選擇，冗余特征的去除，使分類(lèi)性能進(jìn)一步得到提高。 （4）提出了基于粒子群相關(guān)向量機(jī)（Relevance Vector Machines withParticle Swarm Optimization，PSO-RVM）的智能診斷方法，，其中粒子群算法用于優(yōu)化相關(guān)向量機(jī)核函數(shù)的參數(shù)，各二值相關(guān)向量機(jī)按二叉樹(shù)的組織形式構(gòu)成系統(tǒng)的診斷模型。實(shí)驗(yàn)表明該方法所得模型需要的相關(guān)向量個(gè)數(shù)很少，而且能夠得到比較高的診斷精度，適合對(duì)實(shí)時(shí)性要求高的在線(xiàn)診斷系統(tǒng)。另外，針對(duì)機(jī)械運(yùn)行最初階段，往往只有正常狀態(tài)的樣本，到一定階段后故障樣本才逐漸增多，常規(guī)故障診斷模型無(wú)法進(jìn)行有效的訓(xùn)練這一問(wèn)題，本文提出了一個(gè)基于蟻群支持向量數(shù)據(jù)描述(SupportVector Data Description with Ant Colony Optimization，ANT-SVDD)新異類(lèi)檢測(cè)和Davies Bouldin指數(shù)（Davies Bouldin Index，DBI）K均值聚類(lèi)方法結(jié)合的機(jī)械故障診斷框架。首先對(duì)正常狀態(tài)樣本建立SVDD模型，并利用蟻群算法對(duì)SVDD模型參數(shù)進(jìn)行優(yōu)化。當(dāng)拒絕樣本數(shù)目累積到設(shè)定的閾值時(shí)，對(duì)這些樣本利用K均值聚類(lèi)方法進(jìn)行處理，獲得能夠進(jìn)行標(biāo)記的類(lèi)別，其中，K均值聚類(lèi)的類(lèi)型數(shù)目由Davies Bouldin指數(shù)輔助確定。最后，對(duì)這些標(biāo)記出的各類(lèi)樣本，分別建立SVDD模型進(jìn)行訓(xùn)練，由這些SVDD分類(lèi)器按照二叉樹(shù)形式組成對(duì)系統(tǒng)狀態(tài)的完整診斷模型。實(shí)驗(yàn)驗(yàn)證了所提算法的有效性。 （5）提出了汽車(chē)起重機(jī)智能維護(hù)總體框架設(shè)計(jì)和數(shù)據(jù)庫(kù)系統(tǒng)設(shè)計(jì)，并利用本文所提出的狀態(tài)監(jiān)控和故障診斷關(guān)鍵技術(shù)，進(jìn)行汽車(chē)起重機(jī)主泵基于小波預(yù)處理技術(shù)的狀態(tài)監(jiān)控分析和基于PSO-RVM、ANT-SVDD聚類(lèi)的智能診斷研究。信號(hào)消噪前后的包絡(luò)譜表明，利用所提出的預(yù)處理技術(shù)，可以明顯改善信號(hào)質(zhì)量，提高狀態(tài)監(jiān)控的準(zhǔn)確性。針對(duì)汽車(chē)起重機(jī)柱塞泵6種狀態(tài)，包括正常，軸承內(nèi)圈故障，滾動(dòng)體故障，柱塞故障，配流盤(pán)故障，斜盤(pán)故障，建立PSO-RVM診斷模型，并與后向傳播神經(jīng)網(wǎng)絡(luò)（Back-Propagation Artificial Neural Network，BP-ANN）,蟻群優(yōu)化神經(jīng)網(wǎng)絡(luò)（Ant Colony Optimization Artificial Neural Network，ANT-ANN）,相關(guān)向量機(jī)方法（Relevance Vector Machines，RVM），粒子群支持向量機(jī)（Support Vector Machines with Particle Swarm Optimization，PSO-SVM）進(jìn)行比較。診斷結(jié)果表明，PSO-RVM比BP-ANN、ANT-ANN、RVM具有更高的識(shí)別精度，與PSO-SVM識(shí)別精度相當(dāng)，分別達(dá)到99.17%和99.58%，但是所需相關(guān)向量的數(shù)目遠(yuǎn)小于支持向量的個(gè)數(shù)，每個(gè)二分類(lèi)RVM的相關(guān)向量數(shù)目是對(duì)應(yīng)SVM的支持向量數(shù)目的1/12－1/3。進(jìn)一步驗(yàn)證了PSO-RVM更適合在線(xiàn)實(shí)時(shí)監(jiān)控。利用主泵相同的數(shù)據(jù)，首先對(duì)主泵正常狀態(tài)建立ANT-SVDD模型，然后對(duì)異常樣本根據(jù)DB指數(shù)進(jìn)行聚類(lèi)，將由新發(fā)現(xiàn)類(lèi)型樣本建立的ANT-SVDD分類(lèi)器組合進(jìn)系統(tǒng)診斷模型，實(shí)現(xiàn)了主泵新增故障類(lèi)的智能診斷。
[Abstract]:......
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2013
【分類(lèi)號(hào)】：TH165.3;TH213.6

【引證文獻(xiàn)】

相關(guān)期刊論文 前1條

1 苗博;;汽車(chē)起重機(jī)故障監(jiān)測(cè)與診斷技術(shù)發(fā)展[J];硅谷;2013年18期

本文編號(hào)：1483187