论文部分内容阅读
近年来,基于数据驱动的故障诊断方法随着信号处理和人工智能相关技术的快速发展逐渐成为研究热点,其故障诊断过程中的信号处理与特征提取作为实现故障状态识别的前提和基础,对故障诊断结果会产生重要影响。目前,研究人员广泛采用时频分析方法处理滚动轴承振动信号是故障诊断的首要步骤,由于滚动轴承的故障振动信号具有非线性和非平稳性,经时频分析方法处理后提取的原始特征集维度高,存在干扰和冗余特征的问题。此外,大多数利用传统机器学习方法构建的基于数据驱动的故障诊断模型存在两个主要问题:(1)缺乏大量有标签故障训练样本;(2)故障诊断模型是在训练数据集与测试数据集之间具有相同分布的假设下构建的。因此,传统的故障诊断模型在实际工业场景的变工况下要实现理想的故障诊断性能具有一定难度。针对以上问题,本文开展如下研究工作:(1)研究基于双树复小波包变换(Dual-Tree Complex Wavelet Packet Transform,DTCWPT)的轴承振动信号处理方法和原始特征提取。将滚动轴承原始振动信号经DTCWPT分解,得到不同的终端节点并对其重构,再计算重构信号及其希尔伯特包络谱的统计参数,获得原始统计特征集。(2)研究统计特征评价方法。针对经时频分析方法处理后提取的原始特征集维度高,存在干扰和冗余特征的问题,提出基于故障敏感度与特征间相关度的特征优选方法(Priority Selection Method of Features Based on Fault Sensitivity and Correlation between Features,PSFSC),PSFSC对统计特征的两个方面进行评价,一是统计特征对故障状态的敏感度,采用Relief F算法评价统计特征的类间区分度,再计算特征样本的标准差来表征统计特征的类内聚合度,将得到的表征类间区分度的指标和表征类内聚合度的指标的比值作为统计特征故障状态敏感度的量化指标;二是统计特征和特征集内其他特征间相关程度,计算统计特征分别与特征集内其他统计特征之间皮尔逊相关系数(Person Correlation Coefficient,PCC),再将得到的PCC求和,得到皮尔逊相关系数之和(Sum of Person Correlation Coefficient,SPCC),用于表征统计特征与整个特征集内特征的相关度。最后,融合两个方面的评价结果,提出一种新的特征评价指标,特征优选度(Feature Priority Selection Degree,FPSD),对各统计特征进行评价,FPSD高的统计特征即为优选特征,用于组建特征子集。(3)研究基于优选特征与降维的滚动轴承故障诊断。根据基于数据驱动的故障诊断过程,在基于DTCWPT的轴承振动信号处理、特征优选方法PSFSC、降维方法(PCA、LDA、LFDA和NPE)和支持向量机分类器基础上,构建了基于优选特征与降维的滚动轴承故障诊断框架。基于两种滚动轴承故障数据(分别来自美国凯斯西储大学试验台和SQI-MFS试验台)开展同工况与不同工况下的故障诊断实验分析,实验结果表明所提出的PSFSC方法在合适的优选特征数下,能够明显提高故障诊断准确率,使用了PSFSC的故障诊断模型在不同工况下能够取得理想的故障诊断性能,表明所提出的方法具有应用于实际工业场景下的潜力。(4)研究基于优选特征与迁移学习的滚动轴承故障诊断。针对故障诊断领域中缺乏足量有标签训练故障数据,以及训练样本和测试样本分布差异的问题,迁移学习方法作为在故障诊断领域中一个新的研究思路,获得越来越多的关注。在对联合分布自适应(Joint Distribution Adaptation,JDA)研究的基础上,提出一种改进联合分布自适应(Modified Joint Distribution Adaptation,MJDA)的特征迁移学习方法。在基于DTCWPT的轴承振动信号处理、特征优选方法PSFSC、MJDA方法和SVM分类器基础上,构建了基于优选特征与MJDA的滚动轴承故障诊断框架。为验证所提出方法的有效性与适应性,采用两种滚动轴承故障数据(分别来自美国凯斯西储大学试验台和SQI-MFS试验台)开展实验分析,实验案例采用一种工况下有标签故障数据训练故障诊断模型,另一种工况下无标签故障数据作为测试集。实验结果表明所提出的MJDA方法能够明显提高故障诊断准确率,结合PSFSC方法构建的故障诊断模型,在选取合适的优选特征数时,能够取得理想的故障诊断性能,进而表明所提出的方法和故障诊断框架具有应用于实际工业场景下的潜力。根据对所提出的两种故障诊断框架的实验分析结果,可知,本文所提出的特征优选方法能够从原始特征集中有效选取出更有利于故障模式识别的特征,当选取合适的优选特征数时,能够使故障诊断模型达到理想的故障诊断性能。在进行不同工况下的故障诊断时,本文提出基于优选特征与MJDA的滚动轴承故障诊断框架具有比基于优选特征与降维的滚动轴承故障诊断框架更优的诊断性能,进而验证了MJDA迁移学习方法对提升在不同工况下故障诊断性能的优越性。该论文有图50幅,表31个,参考文献184篇。