论文部分内容阅读
随着科学技术的飞速发展,现代机械设备越来越大型化、高速化、重载化和智能化,而这些设备的运行工况却越来越复杂和苛刻,因此要求其具有很高的运行可靠性。如果机械设备中某些关键部件发生了故障,不但会造成企业和国家的巨大经济损失,严重时甚至会导致人员伤亡和环境污染并造成恶劣的社会影响。因此机械设备的状态监测和故障诊断对保障企业的经济效益和工人的安全意义重大。本文以稀疏表征理论和字典学习方法为基础,以滚动轴承、齿轮和转子等旋转机械关键零部件为研究对象,其中字典学习方法以K-SVD算法为基础,围绕着基于K-SVD算法的字典学习以及稀疏表征方法开展了四个方面的研究:基于移不变K-SVD字典学习的微弱故障特征提取;基于移不变K-SVD字典学习的单通道复合故障分析;基于K-SVD和改进LLC算法的局部约束稀疏特征提取;基于时频图像和K-SVD判别式字典学习的智能诊断。本文的主要研究内容如下所示:(1)针对信号中存在周期性重复出现的特征模式的问题,提出了一种基于移不变K-SVD字典学习的机械故障信号特征提取方法。该方法主要包括两大步即多个故障特征模式学习和最优潜在成分的选择,能够有效地提取出机械故障信号中周期性重复出现的故障特征。通过仿真和实验分析,并与基于K-SVD字典学习和小波字典匹配追踪的信号特征提取方法进行了对比,验证了所述方法的有效性。(2)针对机械复合故障,提出了一种基于移不变K-SVD字典学习和自适应聚类的单通道盲源分离方法。该方法先用移不变K-SVD字典学习方法对单通道复合故障信号进行自适应学习得到一组基函数及对应的潜在成分,然后根据潜在成分的结构相似性进行聚类分析并使用最小类类间相关系数均值来确定最佳聚类数目,最终实现不同故障源信号的分离。通过滚动轴承复合故障的仿真和实验分析,验证了该方法的有效性。(3)为了使不同状态信号具有更好的可区分性,从而提高故障诊断准确率,在局部约束线性编码(LLC)算法的基础上,提出了一种基于K-SVD字典学习和改进LLC稀疏编码的局部约束稀疏特征提取方法。该方法首先使用时域和频域等特征提取方法提取机械振动信号的特征并将其作为初始特征,之后进行每类K-SVD字典学习获得包含各个状态类别的过完备字典,然后利用改进LLC算法得到基于改进LLC稀疏编码的局部约束稀疏特征,最后将改进LLC稀疏编码作为特征向量,利用改进PSO算法优化的SVM对机械故障进行诊断。通过滚动轴承单一故障和复合故障试验,对所述方法的可行性和有效性进行了验证。(4)机械振动信号的时频图蕴含着丰富的特征信息,为实现时频特征的自动分类识别,提出了一种基于机械振动信号时频图和判别式字典学习的故障诊断方法。该方法首先对机械振动信号进行小波变换以获得小波时频图,然后采用灰度共生矩阵提取小波时频图的纹理特征,最后利用基于判别式K-SVD字典学习的标签一致K-SVD(LC-KSVD)算法实现故障的智能诊断。通过滚动轴承故障和转子故障的诊断,验证了该方法的有效性。