转子故障智能诊断中的特征提取与选择技术研究

论文摘要

航空发动机故障诊断的重要意义在于:一方面,它可以迅速而准确地确定故障部位及故障严重程度,有利于确保飞行安全以及减少投入维修的人力、物力,缩短飞行器的停飞时间,提高飞行器的利用率;另一方面,它又是实现先进的维修思想和维修方式的必要手段与前提条件。本文基于现代设备故障诊断技术,对航空发动机的3类转子故障（不平衡、碰摩和油膜涡动）进行了特征提取与选择,并运用结构自适应集成神经网络实现了这四类转子故障的智能诊断。第一,本文研究了故障特征的提取技术。针对旋转机械的振动信号,首先提取了传统的频谱特征,构建了由各个分频和倍频组成的特征向量;其次,利用小波分析技术,研究了基于多分辨率分析和连续小波分析理论的转子故障信号特征提取技术,提出了一种基于小波多尺度空间能量特征的自动提取方法,以及一种基于连续小波变换的尺度谱图像纹理特征提取技术。并用算例验证了方法的正确有效性。第二,针对提取出来的众多故障信号特征,研究了基于遗传算法的特征选择技术。由于适应度对遗传算法的影响很大,本文提出了4种适应度构造方法,即改进的距离判据适应度函数、平均值方差适应度函数、Fisher判别准则适应度函数以及基于最近邻分类法的适应度函数。最后,通过仿真实例对方法进行了验证,表明了本文提出的遗传算法特征选择技术的可行性。第三,利用ZT-3多功能转子实验台,获得了不同转速下的3类转子故障数据样本共95个,其中不平衡样本26个,碰摩样本29个,油膜涡动样本40个。首先运用传统的频谱特征提取方法,小波能量特征自动提取方法,以及连续小波尺度谱图像纹理特征提取方法,分别提取了17个频谱特征,10个小波能量特征和20个连续小波尺度谱图像纹理特征。其次,用所提出的基于遗传算法的特征选择方法对这些特征进行选择优化,去除与分类不相关的冗余特征。最后,构建结构自适应集成神经网络对优化后的特征进行智能诊断,结果充分证明了本文提出的特征提取方法和选择在转子故障诊断中的的合理性与有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 航空发动机故障诊断现状
• 1.2 现代设备故障诊断技术
• 1.3 故障特征提取研究现状
• 1.4 特征选择研究现状
• 1.4.1 特征选择在模式识别和故障诊断的意义
• 1.4.2 特征选择在模式识别和故障诊断的研究现状
• 1.5 故障智能诊断研究现状
• 1.6 本文研究的主要内容
• 第二章 故障特征提取技术研究
• 2.1 故障特征提取对故障诊断的意义
• 2.2 频谱特征提取方法
• 2.2.1 频谱分析原理
• 2.2.2 提取转子故障信号的频谱特征
• 2.3 小波分析特征提取方法
• 2.3.1 小波分析理论
• 2.3.1.1 连续小波变换
• 2.3.1.2 多分辨率分析与正交小波变换
• 2.3.2 一种转子故障信号的小波能量特征自动提取方法
• 2.3.2.1 基于小波变换的多尺度空间能量分布特征提取
• 2.3.2.2 转速和采样频率对能量特征的影响分析
• 2.3.2.3 基于尺度变换的能量特征提取新方法
• 2.3.3 连续小波尺度谱图像纹理特征提取
• 2.3.3.1 转子故障仿真分析
• 2.3.3.2 尺度谱数字纹理特征提取
• 2.4 小结
• 第三章 基于遗传算法的特征选择技术研究
• 3.1 基本遗传算法
• 3.1.1 基本遗传算法的构成要素
• 3.1.2 基本遗传算法的一般框架
• 3.2 遗传算法的基本实现技术
• 3.2.1 编码方法
• 3.2.2 适应度函数
• 3.2.3 选择算子
• 3.2.4 交叉算子
• 3.2.5 变异算子
• 3.3 基于遗传算法的特征选择方法
• 3.3.1 遗传算法特征选取基本原理
• 3.3.2 特征选特征评价标准
• 3.3.3 四种新的遗传算法特征选取适应度函数
• 3.3.3.1 基于改进的距离判据适应度函数
• 3.3.3.2 基于平均值方差的适应度函数
• 3.3.3.3 基于Fisher 准则的适应度函数
• 3.3.3.4 基于最近邻分类法的适应度函数
• 3.3.4 遗传算法特征选取的仿真实例分析
• 3.3.4.1 仿真样本
• 3.3.4.2 结构自适应神经网络分类器
• 3.3.4.3 仿真样本的特征对分类结果的影响分析
• 3.3.4.4 不同适应度函数下的特征选取实验
• 3.4 小结
• 第四章 特征提取与选择在转子故障诊断中的应用研究
• 4.1 转子常见故障的特征
• 4.1.1 转子不平衡
• 4.1.2 转子不对中
• 4.1.3 转静碰摩
• 4.1.4 油膜涡动及油膜振荡
• 4.2 转子故障模拟试验台及动态信号测试设备介绍
• 4.2.1 ZT-3 多功能故障模拟实验台
• 4.2.2 数据采集及分析系统
• 4.3 转子故障特征提取、选择与智能诊断实验研究
• 4.3.1 用结构自适应集成神经网络实现多类故障的辨识
• 4.3.2 频谱特征在转子故障诊断中的应用
• 4.3.2.1 提取转子故障信号的频谱特征
• 4.3.2.2 对提取的频谱特征进行智能诊断
• 4.3.3 小波频带能量特征自动提取新方法在转子故障诊断中的应用
• 4.3.3.1 利用小波特征提取的新方法提取转子故障信号的能量特征
• 4.3.3.2 对提取的小波频带能量特征进行特征选择并进行智能诊断
• 4.3.4 基于连续小波尺度谱图像纹理特征的智能诊断实验
• 4.3.4.1 提取转子故障信号的连续小波尺度谱图像纹理特征
• 4.3.4.2 对提取的连续小波尺度谱图像纹理特征的智能诊断结果
• 4.4 小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢
• 在硕士期间发表的论文
• 附录1 转子故障信号的频谱特征（前9 位特征）
• 附录2 转子故障信号的频谱特征（后8 位特征）
• 附录3 转子故障信号的多尺度小波能量特征（10 个特征）
• 附录4 转子故障信号连续小波尺度谱图像纹理特征（前10 个）
• 附录5 转子故障信号连续小波尺度谱图像纹理特征（后10 个）