核方法在轉子故障診斷中的應用方法研究.pdf

1、隨著機械設備向大型化、智能化和高度非線性方向發(fā)展，對其運行維護提出了更高的要求。為此，現代信息技術和現代測試技術以及人工智能等在旋轉機械故障診斷技術受到了廣泛的關注。利用獲取的機器狀態(tài)數據信息，采用智能數據處理算法，通過建立量化描述機械運行狀態(tài)的特征模式，可為實現智能機械設備奠定理論基礎。
　　本研究以旋轉機械核心部件——轉子系統為研究對象，圍繞故障數據集降維和故障模式分類與辨識問題開展了研究。通過對故障特征集的降維及轉子系統故障

2、辨識方法的探討，為科學描述機械設備運行狀態(tài)以及精確實現旋轉機械故障在線和離線診斷提供理論依據。開展的具體研究內容和得到的結論如下：
　　1.針對轉子系統高維故障數據存在“信息豐富，知識貧乏”的問題，在分析單一尺度核主成分分析(KPCA)的基礎上，通過構造多核函數的一種特殊形式多尺度核函數，建立多尺度核函數主成分分析(MSKPCA)方法用于高維故障數據的降維。此方法能夠以不同的尺度提取原始空間中的敏感特征信息，將其用于數據降維，一方

3、面可以解決“維數災難”問題，另一方面可以更好地認識和理解數據。
　　2.建立了基于多尺度核主成分分析法(MSKPCA)和支持向量機(SVM)的多尺度核多層核轉子故障診斷模型。在分析主成分方法、核主成分分析法以及支持向量機(SVM)特點的基礎上，建立了MSKPCA—SVM轉子故障診斷模型，該模型的特點是：多尺度核主成分分析方法具有多尺度性能，可有效提取原始特征集不同尺度下的敏感特征信息，支持向量機在小樣本分類中優(yōu)勢明顯，因此該模型在

4、轉子故障診斷中顯示出很好地診斷效果。
　　3.分析了轉子典型故障的特點，并通過實驗驗證了所建立的多尺度核多層核故障診斷模型。在分析并總結轉子系統典型故障特性的基礎上，在雙跨轉子實驗臺模擬了轉子系統的四種典型故障，利用采集的數據，對多尺度核多層核轉子系統故障診斷模型進行驗證。結果表明：多尺度核主成分分析方法能夠提取不同尺度下的敏感特征信息，建立的模型能夠正確診斷不同故障，具有良好的實用價值。
　　4.對轉子實驗臺狀態(tài)監(jiān)測與反饋