基于压缩感知的旋转机械故障分类与识别方法研究
随着工业自动化和装备制造水平的不断提高，作为现代工业中重要的生产设备，旋转机械的结构和功能也日益复杂，其在工业生产中往往承担着关键作用，一旦发生故障，将有可能导致巨大的停机损失。因此，利用现代信息技术和信号处理方法监测旋转机械运行状态，及时发现故障并采取响应措施是有重要意义的。然而，现有故障诊断技术往往面临着监测数据量大、故障特征提取困难等问题。本论文基于压缩感知理论，以旋转机械重要的零部件——轴承和齿轮为研究对象，分别从在线监测、离线分析和压缩存储三个方面开展研究工作，建立故障分类与识别方法。 在基于振动信号的在线监测方面，本论文研究了基于冗余字典的轴承故障压缩感知分类方法。针对旋转机械振动信号在传统正交变换基下的变换系数稀疏性较差的问题，提出了基于冗余字典的振动信号稀疏表示方法，通过随机降维和稀疏求解，实现了轴承故障的稀疏分类。同时，研究了轴承转速对该方法故障分类正确率的影响，分析了该方法对轴承早期微弱故障的识别性能，并探讨了稀疏分类方法与传统模式识别方法在分类效果上的差异。 在振动信号的离线分析方面，本论文建立了基于稀疏降维和小波能量特征的压缩感知故障分类方法。基于小波模极大值的信号稀疏表示方法能够克服离线分析面临的数据存储和传输难题，通过稀疏降维和优化求解，利用重构后的小波能量特征实现故障的分类，无需恢复原始振动信号，并利用不同工况下的轴承和齿轮振动信号，分析了该方法对机械故障的分类正确率。 在振动信号的压缩存储方面，本论文开展了旋转机械振动信号的压缩采样方法研究，提出了一种基于块稀疏贝叶斯学习的压缩感知方法，实现了振动信号的有效压缩。通过贝叶斯概率估计，无需考虑振动信号的稀疏性，该方法就能实现压缩信号的精确重构。用不同工况下的轴承信号讨论了该方法的数据压缩和重构效果，并通过对重构后的信号进行特征提取，验证了该方法在数据压缩和重构中的有效性。 基于压缩感知理论，本论文建立的方法能够实现旋转机械的故障分类识别与振动信号压缩，为旋转机械的在线监测、离线分析和信号压缩采样提供有效的支持。
旋转机械;故障诊断;振动信号;压缩感知
北京化工大学
硕士
安全科学与工程
唐刚
2016
中文
H172
101
2017-01-03（万方平台首次上网日期，不代表论文的发表时间）