基于独立分量分析的旋转机械多故障分离与应用研究

论文摘要

旋转机械是设备状态检测与故障诊断工作的重点,而旋转机械的故障有相当大比例与滚动轴承有关。因此,及时发现并排除轴承故障具有重要的意义。由于受传感器安装位置的限制和多故障并发时的故障与特征之间非线性关系等影响,传感器采集到的信号非常复杂。所以,我们在特征提取之前,非常有必要对多故障源进行分离,为正确地提取故障特征做好前期的准备。本课题研究的目的在于把后非线性独立分量分析方法引入到旋转机械多故障诊断领域。基于滚动轴承振动信号中获取的故障数据,进行故障源进行分离和特征提取,从而提高故障诊断的水平和效率。本文的内容主要包括以下几个方面:首先介绍了独立分量分析方法的原理及各种相关的独立分量分析模型特点。其次对故障源过程进行分析,并把独立分量分析方法引入到故障的特征分离中。本文主要介绍了快速独立分量分析(fastICA, fast independent component anlysis )与后非线性马尔可夫( markovPNL, markov post nonlinear)盲源分离方法。然后是故障数据采集系统的搭建,根据采集到的不同单故障数据,进行线性和非线性混合,对混合数据采用了fastICA与markovPNL独立分量分析方法分离,并得到不同的分离效果。最后根据仿真结果,把markovPNL分离方法应用到轴承多故障并发分离中。实验结果证明了,markovPNL分离方法在多故障并发的分离中具有良好的效果,为后期的特征提取提供了强有力的帮助。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景
• 1.2 课题的研究目的和意义
• 1.3 国内外相关技术的研究现状
• 1.3.1 机械故障诊断技术的发展
• 1.3.2 ICA 的研究现状
• 1.3.3 ICA 在机械故障中的应用
• 1.4 论文的研究内容及总体构架
• 第2章 独立分量分析原理
• 2.1 引言
• 2.2 相关的统计学基础
• 2.2.1 随机变量的数字特征
• 2.2.2 统计独立
• 2.3 信息论的基础知识
• 2.3.1 熵
• 2.3.2 互信息
• 2.3.3 负熵
• 2.4 ICA 模型
• 2.4.1 线性瞬时混叠模型
• 2.4.2 线性卷积混叠模型
• 2.4.3 非线性混叠模型
• 2.5 ICA 模型的盲可辨识性及不确定性
• 2.6 本章小结
• 第3章 基于ICA 的故障源分离
• 3.1 引言
• 3.2 故障源过程分析
• 3.2.1 故障源分析
• 3.2.2 故障与特征
• 3.3 基于线性ICA 的故障分离
• 3.3.1 信号预处理
• 3.3.2 fastICA 原理
• 3.4 基于后线性ICA 的特征分离
• 3.4.1 后非线性马尔可夫算法原理
• 3.4.2 后非线性马尔可夫算法的步骤
• 3.5 本章小结
• 第4章 轴承多故障并发分离的应用
• 4.1 引言
• 4.2 数据采集系统
• 4.2.1 面向ICA 应用的信号采集硬件系统
• 4.2.2 面向ICA 应用的信号采集软件系统
• 4.3 仿真实验
• 4.3.1 轴承故障特征
• 4.3.2 原始数据
• 4.3.3 数据混合
• 4.3.4 仿真结果
• 4.4 多故障分离应用
• 4.5 本章小结
• 结论
• 参考文献
• 致谢