基于信息融合技术的高速冲床故障诊断研究

论文摘要

在故障诊断的实践中人们发现：(1)基于不同位置传感器的诊断结论有时会冲突；(2)基于不同的特征域的诊断结论有时会冲突；(3)基于不同的诊断推理方法的诊断结论有时会冲突。这些都是由于大型设备结构复杂和运行条件多样等所导致故障诊断过程中不确定大量引入,致使诊断的可靠性和准确性下降,难以满足日益大型化复杂化设备的故障诊断需求。为此,论证信息融合技术在高速冲床故障诊断中的应用,降低故障诊断的不确定性,提高设备的诊断精度显得尤为必要。本文主要是从理论上和实践中探索了信息融合技术在高速冲床振动故障诊断系统中的应用,将多个传感器信号、设备多个方面故障特征信息和多种故障诊断推理方法综合合理融合利用,最大限度降低诊断的不确定性,实现对设备全面与准确的诊断。其主要工作如下：(1)通过对信息融合技术和对故障诊断过程中的不确定性进行分析,采用信息融合技术在故障诊断中的理论框架,确立并采用了信息融合诊断组建方法,保证故障诊断过程中存在的不确定性经达融合后能够最大限度相互削弱,从而从理论上降低融合诊断的不确定性,达到精确诊断的目的。(2)主元分析能够有效处理线性问题,核函数理论具有将低维非线性问题转化为高维线性问题的特性,将主元分析和核函数理论相结合,构成了核主元分析方法,使其对非线性问题具备非常强的处理能力。将其应用于机械设备故障特征压缩提取,经实验证实效果很好,从而成功解决多源信息融合诊断中信息量大且冗余的难题。(3)归纳总结出神经网络在故障诊断中的具体应用方法,并通过实验分析发现,核主元分析与神经网络相结合能有效简化网络结构、缓减诊断推理的复杂度,从而提高了故障诊断的准确率。(4)将证据理论与加权思想相结合,形成了加权证据理论。它通过对各证据进行加权组合,客观体现了不同来源的证据对识别框架中各真子集的识别具有不同的可靠性和权威性这一普遍事实,弥补了证据理论在应用中的缺陷,为证据理论在融合故障诊断中的应用打下基础。(5)为了将多个特征域的局部诊断结果进行有效的决策融合,本文依据加权证据理论,通过构建加权证据理论在故障融合诊断中的具体实施框架,并遵循第二章确立的融合诊断组建方法,验证了基于加权证据理论的融合故障诊断方法。最后,对沈阳造币有限公司1号高速冲床进行实验分析,先分别从频域、时域和轴心轨迹三个特征域进行局部诊断,再将三个局部诊断的结果进行决策融合。实验结果表明：多故障特征信息融合后的诊断结果可信度明显增大,不确定性明显减小,故障诊断的准确率显著提高,充分验证了本文所采用的融合诊断方法的效性,并且该方法富有开放性、易实现,具有很强的工程实际应用价值。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 课题来源
• 1.2 课题背景与研究意义
• 1.3 高速冲床故障诊断技术及其发展趋势
• 1.3.1 高速冲床故障征兆的提取方法
• 1.3.2 故障诊断常用的推理方法
• 1.3.3 故障诊断技术的发展趋势
• 1.3.4 信息融合技术的发展起源和现状
• 1.3.5 信息融合技术的故障诊断
• 1.4 本章小结
• 第2章 基于诊断不确定性的信息融合理论框架
• 2.1 信息融合技术
• 2.2 信息融合系统的模型与结构
• 2.2.1 信息融合系统的功能模型
• 2.2.2 信息融合的级别
• 2.2.3 通用处理结构
• 2.3 故障诊断中的不确定性分析
• 2.3.1 机械设备本身的不确定性
• 2.3.2 传感器信号的不确定性
• 2.3.3 信号采集处理的不确定性
• 2.3.4 特征提取的不确定性
• 2.3.5 诊断推理的不确定性
• 2.4 信息融合技术在故障诊断中的理论框架
• 2.5 信息融合诊断组建方法
• 2.6 本章小结
• 第3章 基于核主元分析的故障特征提取
• 3.1 主元分析方法
• 3.1.1 主元分析算法
• 3.1.2 主元的特性
• 3.1.3 主元的贡献率
• 3.2 核函数原理
• 3.3 基于核主元分析的故障特征提取方法
• 3.3.1 基本原理
• 3.3.2 算法实现
• 3.4 特征提取实验分析
• 3.4.1 实验本体
• 3.4.2 数据采集
• 3.4.3 信号频域分析
• 3.4.4 核主元分析故障特征提取
• 3.5 本章小结
• 第4章 基于神经网络的局部智能故障诊断
• 4.1 神经网络结构原理
• 4.1.1 生物神经元模型
• 4.1.2 人工神经元模型
• 4.2 神经网络在故障诊断中的应用方法
• 4.3 局部诊断实验分析
• 4.3.1 频域诊断实例分析
• 4.3.2 时域诊断实例分析
• 4.3.3 轴心轨迹诊断实例分析
• 4.4 本章小结
• 第5章 加权证据理论在决策融合诊断中的应用
• 5.1 证据理论基础
• 5.1.1 D-S证据理论基本内涵
• 5.1.2 Dempster证据合成法则
• 5.2 决策融合实验分析
• 5.3 本章小结
• 第6章 结论
• 6.1 论文工作总结
• 6.2 未来工作展望
• 参考文献
• 致谢