基于信号局部特征提取的机械故障诊断方法研究

【摘要】：人们对现代化生产系统运行可靠性和安全性越来越高的要求,是机械故障诊断技术产生并迅速发展的原因。随着机械设备向高速化、重载化、大型化和和复杂化方向发展,传统故障诊断技术越来越难以满足诊断需求。信号分析技术和人工智能方法的发展为提高故障诊断水平提供了有力工具。本文结合“车辆变速箱检测试验台”、“车辆分动器检测试验台”、“车辆变速箱齿轮检测试验台”等项目,针对机械设备发生故障时振动信号往往表现出时变性、非平稳性特点,以齿轮和轴承为对象,围绕故障特征信息提取和智能诊断方法这两个核心问题开展研究,重点在于基于信号局部特征的分析方法和基于AIS(Artificial Immune System)的智能诊断模型及其应用。主要工作和研究成果如下: (1)介绍了研究对象的主要故障形式、振动产生机理和信号特点,以及实际中振动信号的测量和传播路径的影响,为后续章节奠定基础。 (2)针对测得的信号中伴有背景信号和噪声,研究了形态小波降噪和特征提取方法。基于形态小波的一般框架构造了极值提升形态小波和复合结构元素形态非抽样小波两种形态小波,将其用于冲击信号特征的提取,具有比传统小波和解调分析更强的特征提取能力;将极值提升形态小波应用于齿轮和轴承的小波灰度矩分析,结果表明极大改善了其对信号局部时频能量分布特征的刻画能力。 (3)针对一般方法的基对信号局部特征不具有自适应性,研究了基于局域波的特征提取方法。提出了一种改进局域波分解特征提取性能的方法,根据局域波互信息剔除噪声分量和虚假分量,并引入形态小波分析,以抑制模态混叠和虚假分量,提高了信号分解的准确性和瞬时参数提取的时效性。在此基础上,提出局域波域的信息熵特征分析方法,用于定量刻画信号在基本模式空间中分布的复杂度。用实例验证了其有效性。 (4)针对特征的重要性不同及其相关性和冗余性,结合局域波分析,从特征提取和特征选择两个方面研究了获得对分类有利的特征子集、改善分类性能的方法:核主元分析-最小二乘支持向量机和贝叶斯证据框架-序列后向选择-最小二乘支持向量机。前者通过核主元分析将数据映射到高维特征空间,在抑制冗余度和噪声的基础上进行特征提取;后者运用启发式搜索策略,在分类器学习过程中实现自适应的多特征子集选择优化。用实例验证了以上方法在提高分类器的学习和泛化性能上的有效性。 (5)AIS本质上是模拟生物体自身的故障诊断机制,具有很好的可解释性。基于免疫识别和免疫网络隐喻机制,提出了基于V-detector算法的故障诊断模型和RS-ABNet故障诊断模型,前者适于处理低维空间问题,后者在处理高维空间问题时更具优势。通过对齿轮和轴承的故障诊断,证实了以上方法的实用性和有效性,为机械故障诊断提供了新的智能方法。