论文部分内容阅读
旋转机械故障诊断的重要性不容忽视,目前基于振动的旋转机械故障检测与分类方法在各个行业中的应用对减少企业因故障带来的损失具有重要的贡献。然而随着旋转机械的广泛应用,在多个测量位置进行基于振动的常规故障诊断需要非常大的数据量,并且还需依赖专业人员的长期检修经验进行判定,这迫切需要将数据融合方法引入其中以减少过量数据对于故障分析工作的负担,并且需要一种自动化故障诊断系统以减少对于专业人员的依赖。
为了解决上述问题,本文提出了一种基于数据融合和机器学习的旋转机械故障自动分类方法,并进行了实验研究分析其有效性和鲁棒性。主要研究工作如下:
首先,提出一种将相干复合谱(Coherent Composite Spectrum,CCS)和主成分分析(Principal Component Analysis,PCA)相结合的故障特征提取方法,并将该方法与人工智能(Artificial Intelligence,AI)技术相结合,进行自动故障分类框架。
其次,搭建两个故障模拟实验台,分别模拟旋转机械中几种典型的轴类故障和齿轮箱相关故障,并将台架运转实验数据输入进所提出的自动分类框架中进行故障自动分类。结果表明,该方法不仅在轴类故障上表现良好,同时也展现出了在齿轮箱故障识别上的潜力。
然后,对比该框架中所用到的多种AI算法的分类效果,结果表明人工神经网络(Artificial Neural Networks,ANN)具有最高的分类准确度,并且在参数合适的情况下可以避免过拟合现象。
最后,分析谐波振幅和谐波频谱能量(Spectral Energy,SE)作为分类特征在不同的应用场景下的优劣。结果表明,不同的数据特征类型对PCA和分类器的分类效果有很大的影响。
本研究课题是本人在太原理工大学与英国曼彻斯特大学的研究生联合培养项目期间进行的,实验研究依托由曼彻斯特大学动力学实验室提供相关设备和仪器完成。
为了解决上述问题,本文提出了一种基于数据融合和机器学习的旋转机械故障自动分类方法,并进行了实验研究分析其有效性和鲁棒性。主要研究工作如下:
首先,提出一种将相干复合谱(Coherent Composite Spectrum,CCS)和主成分分析(Principal Component Analysis,PCA)相结合的故障特征提取方法,并将该方法与人工智能(Artificial Intelligence,AI)技术相结合,进行自动故障分类框架。
其次,搭建两个故障模拟实验台,分别模拟旋转机械中几种典型的轴类故障和齿轮箱相关故障,并将台架运转实验数据输入进所提出的自动分类框架中进行故障自动分类。结果表明,该方法不仅在轴类故障上表现良好,同时也展现出了在齿轮箱故障识别上的潜力。
然后,对比该框架中所用到的多种AI算法的分类效果,结果表明人工神经网络(Artificial Neural Networks,ANN)具有最高的分类准确度,并且在参数合适的情况下可以避免过拟合现象。
最后,分析谐波振幅和谐波频谱能量(Spectral Energy,SE)作为分类特征在不同的应用场景下的优劣。结果表明,不同的数据特征类型对PCA和分类器的分类效果有很大的影响。
本研究课题是本人在太原理工大学与英国曼彻斯特大学的研究生联合培养项目期间进行的,实验研究依托由曼彻斯特大学动力学实验室提供相关设备和仪器完成。