復雜機械基于數(shù)據(jù)的建模與故障診斷.pdf

1、機械設備健康狀態(tài)監(jiān)測的運行振動信號通常是故障診斷的重要數(shù)據(jù)來源，使用這些數(shù)據(jù)進行故障診斷可以通過建立基于信號的線性或非線性模型實現(xiàn)，也可以直接從振動信號中提取故障特征。使用何種診斷策略最為有效，則要根據(jù)數(shù)據(jù)性質的判斷加以確定。如果數(shù)據(jù)來自于明顯的線性系統(tǒng)，則采用基于線性模型的診斷方法是恰當?shù)?；若?shù)據(jù)是非線性的，使用基于非線性模型的診斷方法可以取得好的效果；若數(shù)據(jù)顯示機械設備進入混沌振動狀態(tài)，則要提取混沌特征進行故障診斷。
　　

2、本文研究了某些非線性數(shù)據(jù)特征的檢驗方法，例如使用雙譜分析檢驗數(shù)據(jù)的非線性特征，并用于檢驗齒輪箱振動數(shù)據(jù)的特性；使用Lyapunov指數(shù)定量描述混沌程度，并以振動篩為例，研究篩幫不同部位的混沌性強弱。此外，通過相關分析研究各部分振動數(shù)據(jù)的相關性，以制定診斷策略。提出幾何-物理空間概念，把大的系統(tǒng)的所有數(shù)據(jù)按物理空間劃分成小區(qū)域的數(shù)據(jù)集，實現(xiàn)物理分區(qū)。在聚類分析的規(guī)則下，對時間上不斷擴展的數(shù)據(jù)集進行基于距離的分類，實現(xiàn)數(shù)據(jù)分區(qū)。使用主元分析

3、將高維數(shù)據(jù)空間降維成低維數(shù)據(jù)空間，在保持原有有用信息量幾乎不變的情況下，去除冗余信息，僅使用較低的維數(shù)和較少的數(shù)據(jù)量來表示原有數(shù)據(jù)，并給出仿真算例。
　　 本文討論了線性系統(tǒng)模型與可用于非線性系統(tǒng)的神經網(wǎng)絡模型。從神經網(wǎng)絡模型的拓撲結構優(yōu)化、輸出數(shù)據(jù)的個數(shù)、延遲步數(shù)、隱層神經元的個數(shù)和激活函數(shù)等方面優(yōu)化神經網(wǎng)絡的辨識能力，即提高辨識精度與加快辨識速度。從而提高了用于故障診斷的神經網(wǎng)絡模型辨識的實時性。提出模型確定性的概念：將辨識

4、系統(tǒng)的譜特征作為目標特征，對權值矩陣行數(shù)據(jù)做盒狀圖分析。權值離群值愈少，譜特征確定性愈好，也就是說模型是確定的，可以代表一定時間內的系統(tǒng)區(qū)域。
　　 本文提出了基于虛擬響應譜序列的診斷方法。在辨識出的精確模型基礎上，使用并行仿真，獲得系統(tǒng)對不同幅值的虛擬正弦或脈沖激勵的響應，分析得到的正弦系列響應譜圖和脈沖系列響應譜圖，即可得到系統(tǒng)的動態(tài)特征，也可用于診斷線性或非線性系統(tǒng)的故障，從而提高了故障診斷的可信度。將這種方法應用于工程結