ISOMAP视角下机械障碍诊查方法分析与应用.docVIP

　　ISOMAP视角下机械障碍诊查方法分析与应用 第一章 绪论 1.1课题研究的背景和意义 本论文的研究工作是指导教师在研的国家自然科学基金基于流形学习与多源信息融合的复杂机械系统健康监测与故障智能预示方法研究(编号主持人：李巍华)的部分研究内容。 1.1.2 研究意义 随着装备制造业的快速发展，在石化、冶金、电力、机械、交通等各行业领域中，复杂机械系统不断向大型化、复杂化、高速化、智能化的方向发展，高负荷、高腐蚀、高温和高作业率成为机械系统的主要特征，运行环境向恶劣条件下延伸，国内外因复杂机械系统设备故障而引起的灾难性事故屡有发生，不胜枚举。多年来，机械系统设备的损坏已造成巨大的经济损失、人员伤亡及环境污染。从诊断技术的角度而言，类似上述的复杂机械系统故障，难以准确获得表示其特征状态的测试数据，因而也难以获知其具体的故障模式。因为在实际工业领域的复杂机械系统中，尤其是机械系统的关键部件状态的健康监测中，布置了大量的振动、转速、位移、压力、温度等传感器以便及时准确了解机组运行状态，但是监测获得的数据是多源的、高维的、庞大的、繁杂的、无序的，并且还在不断的增加。由此可见，维数约减问题成为实现复杂机械故障诊断的一个关键问题[1]。 流形学习是一种崭新的无监督机器学习方法，其基本思想[2,3]为：高维观测空间中的数据点是由少数独立变量在观测空间中共同作用而张成的一个流形，如果能有效地展开观测空间卷曲的流形或者发现内在的主要独立变量，就可以对该高维数据集进行降维。流形学习的本质是分段线性处理，其主要目标[4,5]是发现嵌入在高维数据空间中的低维光滑流形，并求出相应的嵌入映射，以实现维数约简或数据可视化。汽车变速箱作为汽车传动系主要组成部分之一，起着改变传动比、降速增扭、设置倒档和空档等作用，目前正朝着高速、精密以及机、电、液一体化的方向发展。但由于其本身结构复杂，工作环境恶劣等原因，又常常在高速度、重载荷下连续工作，此外，变速箱的损坏与失效往往是一个渐变过程，系统的故障和症状之间又相互关联与影响，各种随机性因素常使其故障呈现时变性、强非线性和非高斯分布特征，使得汽车变速箱的故障诊断困难程度明显加大，设备一旦发生故障，就会影响汽车的使用寿命甚至乘客的生命安全[6,7]。基于上述背景，本课题针对重要应用领域的复杂机械系统健康监测中测试数据陷入维数灾难、缺乏行之有效的诊断方法等问题,以某一汽车变速箱为例，结合课题组在核机器学习、半监督学习等智能诊断方向的研究成果，对流形学习中的全局算法 ISOMAP[8]进行相关探索和研究，并将改进后的 ISOMAP 算法应用在汽车变速箱的故障诊断中，进而为在恶劣环境条件下服役的复杂机械系统的健康监测和故障诊断提供新的手段和方法。 1.2 国内外研究现状 1.2.1 机械故障诊断的发展现状 基于解析模型的方法、基于信号处理的方法和基于知识处理的方法是目前机械设备故障诊断的三类基本方法。基于解析模型的方法主要是从机械动力学角度研究设备的失效机理；基于信号处理的方法则采用时域、频域、时频分析等现代信号处理方法直接对采集到的故障信号进行处理以获取诊断信息，确定故障模式。上述两种方法均以计算机技术、传感器技术为基础，以数学建模、信号分析处理技术为手段，其应用相对比较成熟，已形成振动诊断技术、声发射诊断技术、铁谱和光谱诊断技术等。专家系统故障诊断方法、模糊故障诊断方法、故障树故障诊断方法、神经网络故障诊断方法等[9-14]是基于知识的主要故障诊断方法。具有逼近复杂非线性系统的能力和良好的分类能力是人工神经网络智能诊断方法的突出优点，但它需要大量的典型故障数据样本和先验知识。Vapnik 等人提出的支持向量机(SVM)，是一类新型的机器学习算法，它是统计学习理论中最年轻也最实用的内容[15-20]。支持向量机是一种基于统计学习理论的模式识别方法，该学习机以结构风险最小化原则取代传统学习机所采用的经验风险最小化原则，使其具有更强的泛化能力。其核心思想是借助核函数实现输入向量由低维空间到高维空间的非线性映射，在高维空间中寻找最优分类超平面，将低维空间中的非线性问题转化为高维空间中的线性可分问题。 第二章 故障特征空间的构造 在机械故障诊断过程中，选取能有效反应故障信息的特征指标是关键。目前常用的方法是将原始故障信号进行预处理之后，利用现代信号处理手段，提取出众多不同的时域、频域的特征指标，将这些特征指标作为模式识别方法的原始输入数据。本文以汽车传动试验台架的汽车变速箱为研究对象，变速箱的常见故障一般具有一定的规律性，掌握其规律性对于分析和提取相应的故障特征具有重要的实际意义。当汽车变速箱正常运行时，其振动信号一般是平稳信号，由于各种不确定因素的影响，振动信号的幅值分布接近正态分布，信号频率成分中包含转动