為提高往復(fù)壓縮機(jī)、航空發(fā)動機(jī)等復(fù)雜機(jī)械故障分類的準(zhǔn)確率,依據(jù)特征參數(shù)對不同故障的敏感度存在差異的特性,提出一種狄利克雷過程混合模型（Dirichlet process mixture model,簡稱DPMM）與貝葉斯推斷貢獻(xiàn)（Bayesian inference contribution,簡稱BIC）相結(jié)合的分析方法。采用DPMM方法自學(xué)習(xí)機(jī)械振動信號高維特征的統(tǒng)計(jì)分布模型,并依據(jù)BIC理論計(jì)算得到各特征參數(shù)對模型的貢獻(xiàn)率,通過對比觀測數(shù)據(jù)與各類故障數(shù)據(jù)特征貢獻(xiàn)率間的差異實(shí)現(xiàn)故障分類。試驗(yàn)結(jié)果表明,該方法的平均分類準(zhǔn)確率比基于高斯混合模型（Gaussian mixture model,簡稱GMM）的故障診斷方法的平均分類準(zhǔn)確率提高19.29%,比基于Relief算法的故障診斷方法的平均分類準(zhǔn)確率提高32.71%,且該方法的時(shí)效性高,泛化性能強(qiáng),能夠更有效地進(jìn)行復(fù)雜機(jī)械故障分類。 

【文章來源】：振動.測試與診斷. 2020,40(03)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

傳感器測點(diǎn)布局

DPMM由于可以自動確定準(zhǔn)確的分布分量數(shù)目，能夠更精確地表征往復(fù)壓縮機(jī)振動信號的分布特點(diǎn)。將GMM方法中的GMM更換為DPMM，并用相同測試樣本對修改后的方法（DPMM方法）進(jìn)行對比測試，試驗(yàn)結(jié)果如圖4(b）所示�？梢钥闯觯坠收夏Ｐ团c撞缸及液積故障模型有了明顯區(qū)分，且撞缸故障模型的后驗(yàn)概率較GMM方法有所提升。然而撞缸與液積故障模型間差異不明顯，依然存在誤報(bào)警現(xiàn)象。所提方法將特征貢獻(xiàn)率作為分類指標(biāo)，其試驗(yàn)結(jié)果如圖4(c）所示�？梢钥吹�，測試樣本的特征貢獻(xiàn)率與撞缸故障分類模型間的距離（無量綱）遠(yuǎn)小于其與拉缸故障分類模型間的距離，20次試驗(yàn)的分類準(zhǔn)確率達(dá)到100%。該方法所構(gòu)建的撞缸與液積故障的分類模型如圖5所示，通過比較可以看出，機(jī)組發(fā)生不同故障后，各特征參數(shù)的貢獻(xiàn)率（無量綱）會發(fā)生相應(yīng)變化，兩種分類模型間有著較明顯的區(qū)別。因此，在準(zhǔn)確表征振動信號分布特點(diǎn)基礎(chǔ)上，將特征貢獻(xiàn)率作為分類指標(biāo)，能夠突顯不同故障數(shù)據(jù)間的差異。圖5 故障分類模型

圖4 撞缸故障分類效果與提出方法的分類方式相近，Relief方法將特征權(quán)重作為分類指標(biāo)，通過比較測試樣本的特征權(quán)重與各類故障數(shù)據(jù)特征權(quán)重間的距離（無量綱）進(jìn)行故障分類。然而該方法僅對設(shè)備響應(yīng)信號進(jìn)行分析，由于某些激勵信號的變化在疊加后的響應(yīng)信號中體現(xiàn)不明顯，通過該方法計(jì)算得到的特征權(quán)重中難以包含有效的故障信息，且由于往復(fù)壓縮機(jī)振動信號呈現(xiàn)非平穩(wěn)性，該分類指標(biāo)穩(wěn)定性較差。觀察圖4(d）可以看出，測試樣本的特征權(quán)重與各分類模型間的距離波動較大，難以進(jìn)行準(zhǔn)確的故障分類。

【參考文獻(xiàn)】：
期刊論文
[1]基于KSLPP與RWKNN的旋轉(zhuǎn)機(jī)械故障診斷[J]. 王雪冬,趙榮珍,鄧林峰.  振動與沖擊. 2016(08)
[2]基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 雷亞國,賈峰,周昕,林京.  機(jī)械工程學(xué)報(bào). 2015(21)
[3]基于動態(tài)PCA與改進(jìn)SVM的航空發(fā)動機(jī)故障診斷[J]. 崔建國,嚴(yán)雪,蒲雪萍,齊義文,蔣麗英,師建強(qiáng).  振動.測試與診斷. 2015 (01)
[4]基于融合信息的轉(zhuǎn)子振動故障SVM診斷方法[J]. 艾延廷,陳潮龍,田晶,王志.  航空動力學(xué)報(bào). 2014(10)
[5]工況傳遞路徑分析法原理及其應(yīng)用[J]. 伍先俊,呂亞東,隋富生.  噪聲與振動控制. 2014(01)
[6]基于非線性復(fù)雜測度的往復(fù)壓縮機(jī)故障診斷[J]. 唐友福,劉樹林,劉穎慧,姜銳紅.  機(jī)械工程學(xué)報(bào). 2012(03)
[7]混合智能故障診斷與預(yù)示技術(shù)的應(yīng)用進(jìn)展[J]. 雷亞國,何正嘉.  振動與沖擊. 2011(09)
[8]機(jī)械故障診斷的非線性動力學(xué)原理[J]. 陳予恕.  機(jī)械工程學(xué)報(bào). 2007(01)



本文編號：3390730