基于时间序列标度分析的旋转机械故障诊断方法研究

论文摘要

机械故障诊断的关键问题是故障特征提取。机械故障信号通常具有强烈的非平稳和非线性特征，本文在总结现有机械故障诊断方法优缺点的基础上，采用统计物理学上的标度分析方法来研究复杂机械故障信号的波动状况，提出了基于时间序列标度分析的旋转机械故障诊断方法。本文从一个新的角度来研究机械故障诊断问题，形成了具有学科交叉特色的机械故障诊断方法。本文的研究工作主要包括以下六个部分：（1）受自然界大量存在的标度曲线转折现象的启发，本文将时间序列的多标度指数作为机械故障信号的故障特征，提出了基于时间序列多标度指数特征的机械故障特征提取方法。利用齿轮箱和滚动轴承故障数据对该方法的性能进行了验证，结果证明了该方法的有效性。（2）针对原始序列标度曲线的特征参数难以提取的问题，本文采用增量序列的波动特征来表达机械系统的动力学行为，提出了基于增量序列标度特征的机械故障诊断方法。利用齿轮箱和滚动轴承故障数据对该方法的性能进行了验证，结果证明了该方法的有效性。（3）通过分析从增量序列标度曲线上提取的数据点在坐标图上的分布特征，本文发现故障状态所对应的数据点可以近似拟合为一条直线，而正常状态所对应的数据点则明显地偏离这条直线。为了描述这种有趣的现象，提出了“故障线”的概念，随后探讨了“故障线”的成因。（4）针对齿轮箱故障信号所具有的非平稳和非线性特点，本文提出了基于时间序列多重分形特征的齿轮箱故障特征提取方法。该方法采用MF-DFA计算齿轮箱故障信号的多重分形谱，然后利用从多重分形谱上提取的特征参数对齿轮箱进行故障诊断。利用齿轮箱故障数据对该方法的性能进行了验证，结果证明了该方法的有效性。（5）为了解决滚动轴承的故障类型和损伤程度难以识别的问题，本文提出了基于MF-DFA和马氏距离判别法的滚动轴承故障诊断方法。该方法利用MF-DFA计算轴承故障信号的多重分形谱，从多重分形谱上提取特征参数，然后采用马氏距离判别法对这些特征参数进行分类。利用滚动轴承故障数据对该方法的性能进行了验证，结果证明了该方法的有效性。（6）本文对旋转机械振动信号出现多重分形的原因进行了研究。通过比较原始数据及其重排数据和替代数据的广义Hurst指数曲线，本文确定了数据波动的内在长程相关性是导致齿轮箱和滚动轴承振动信号出现多重分形的主要原因。

论文目录

• 摘要
• ABSTRACT
• 目录
• 图表清单
• 注释表
• 缩略词
• 第一章 绪论
• 1.1 机械故障诊断技术的研究意义和研究现状
• 1.1.1 机械故障诊断技术的研究意义
• 1.1.2 机械故障诊断技术的研究现状
• 1.2 基于信号分析和处理技术的机械故障诊断方法
• 1.2.1 短时 Fourier 变换
• 1.2.2 Winger-Ville 分布
• 1.2.3 小波变换
• 1.2.4 经验模式分解
• 1.2.5 局部均值分解
• 1.2.6 盲源分离
• 1.2.7 循环平稳信号分析
• 1.3 基于模型的机械故障诊断方法
• 1.3.1 时间序列模型
• 1.3.2 隐 Markov 模型
• 1.3.3 协整理论模型
• 1.4 基于人工智能的机械故障诊断方法
• 1.4.1 神经网络
• 1.4.2 专家系统
• 1.4.3 模糊理论
• 1.4.4 粗糙集理论
• 1.4.5 支持向量机
• 1.5 基于非线性理论的机械故障诊断方法
• 1.5.1 随机共振
• 1.5.2 流形
• 1.5.3 混沌和分形
• 1.5.4 去趋势波动分析
• 1.6 研究课题的提出
• 1.7 本文的主要创新点
• 1.8 本文的内容安排
• 第二章 复杂系统的标度行为及其动力学机制
• 2.1 复杂系统的标度行为
• 2.2 复杂标度行为的动力学机制
• 2.2.1 Barabási-Albert 模型
• 2.2.2 自组织临界（SOC）
• 2.2.3 HOT 理论
• 2.3 分形
• 2.3.1 分形的定义
• 2.3.2 分形产生的物理机制
• 2.3.3 复杂系统的自相似性和标度不变性
• 2.3.4 分形维数
• 2.3.5 多重分形
• 2.4 传统的标度分析方法
• 2.4.1 相关函数分析法
• 2.4.2 功率谱密度分析法
• 2.4.3 重标极差（R/S）分析法
• 2.4.4 WT 和 EMD 方法
• 2.5 本章小结
• 第三章 基于时间序列多标度指数特征的机械故障特征提取方法
• 3.1 引言
• 3.2 去趋势波动分析（DFA）
• 3.2.1 DFA 方法
• 3.2.2 标度指数的物理意义
• 3.3 基于时间序列多标度指数特征的机械故障特征提取方法
• 3.4 实验验证
• 3.4.1 齿轮箱故障诊断
• 3.4.2 滚动轴承故障诊断
• 3.4.3 滚动轴承损伤程度识别
• 3.5 本章小结
• 第四章 基于增量序列标度特征的机械故障诊断方法
• 4.1 引言
• 4.2 增量序列的动力学特征
• 4.2.1 增量序列与原序列的波动特征之间的关系
• 4.2.2 数据的重排和替代
• 4.2.3 增量序列的符号分量和幅值分量及其动力学特征
• 4.3 基于增量序列标度特征的机械故障诊断方法
• 4.4 实验验证
• 4.4.1 齿轮箱故障诊断及其“故障线”
• 4.4.2 滚动轴承故障诊断及其“故障线”
• 4.5 “故障线”现象及其成因研究
• 4.6 本章小结
• 第五章 基于时间序列多重分形特征的齿轮箱故障特征提取
• 5.1 引言
• 5.2 多重分形去趋势波动分析（MF-DFA）
• 5.2.1 MF-DFA 方法
• 5.2.2 MF-DFA 与经典多重分形理论的关系
• 5.2.3 时间序列多重分形类型的确定方法
• 5.3 基于时间序列多重分形特征的齿轮箱故障特征提取方法
• 5.4 实验验证
• 5.5 齿轮箱振动数据出现多重分形的原因
• 5.6 本章小结
• 第六章 基于 MF-DFA 和马氏距离判别法的滚动轴承故障诊断
• 6.1 引言
• 6.2 基于 MF-DFA 和马氏距离判别法的滚动轴承故障诊断方法
• 6.2.1 马氏距离判别法
• 6.2.2 基于 MF-DFA 和马氏距离判别法的机械故障诊断方法
• 6.3 实验验证
• 6.4 滚动轴承振动数据出现多重分形的原因
• 6.5 MF-DFA 与其它故障特征提取方法的比较
• 6.6 马氏距离判别法和神经网络在轴承故障特征分类中的性能比较
• 6.7 本章小结
• 第七章 总结与展望
• 7.1 研究总结
• 7.2 展望
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文