LMD和SVM理念下动力机械障碍诊断方法分析.docVIP

　　LMD和SVM理念下动力机械障碍诊断方法分析 第一章 绪论 1.1课题背景和意义 随着科学技术的进步和生产力的发展，动力机械正超着大型化、高速化、复杂化、自动化的方向发展，同时设备之间的联系也越来越紧密，一方面在提高生产效率、降低成本、节约能源和人力等方面带来很大好处，另一方面由于许许多多无法避免因素的影响，这些设备难免出现一些故障，这将给生产和生活造成很大影响甚至危及人身安全[2,3]。如：1979 年美国三里岛核电站核电站 2 号机组制冷系统出现故障，致使核反应堆部分熔化，最终造成美国历史上最严重的一次核泄漏事故，引起全世界对核电站安全性的争议，对核能的发展产生了影响；1986年美国挑战者号航天飞机失事使美国航天事业一度陷于停顿，都是对整整一个产业的打击；1972 年日本关西电力公司南海电厂 3 号机组600MD)算法进行研究，模式识别方面选择支持向量机(Support Vector Machine，SVM)进行研究，并提出相应的优化改进措施，最后将其应用于动力机械的故障诊断，并编写相应的故障诊断软件，为工程应用服务。 1.2国内外研究现状 近些年来，很多学者在动力机械故障诊断的信号处理和模式识别两个关键技术进行了积极的开拓。信号处理方面，由于故障信号大多非平稳信号，所以传统的傅里叶变换(只适合处理平稳信号)不能满足故障诊断的要求。典型的非平稳信号处理方法主要有短时傅里叶变换、小波变换、经验模态分解(Empirical Mode Deposition，EMD)等，但它们都有各自的局限性：短时傅里叶变换不能兼顾频率与时间分辨率的需求；小波变换虽然具有可变的时频窗口，但是如何选择合适小波基是一难题，而且它不是一种自适应的信号处理方法；EMD 是一种自适应的信号分解方法，在机械故障诊断等很多领域中都得到了应用，但在理论上还存在一些问题，如 EMD 方法中的过包络、欠包络、模态混淆、端点效应、利用 Hilbert 变换计算瞬时频率产生无法解释的负频率等问题[3,5-9]。LMD 最早由 Smith[9]提出，是目前最先进的一种新的自适应时频分析方法，它在抑制端点效应、减少迭代次数和保留信号信息完整性等方面要优于 EMD 方法[10]，并且由于 LMD 算法在解调时避开了 Hilbert 变换，因此不存在边缘效应和负频率问题。程军胜、任大千等对LMD 进行的研究和改进，并且将其应用于齿轮、轴承、转子的故障诊断中，取得了较好的效果[11-13]。但是由于 LMD 算法采用滑动平均法生成包络估计函数和局部均值函数，该方法会产生平滑相位差，同时平滑步长选择对分解结果产生重大的影响[11]，此外 LMD 算法在生成包络函数和局部均值函数时默认信号的端点被为极值点，但实际上它们很有可能并非极值点，所以在实际 LMD 分解过程中，随着迭代的进行，信号将从两端逐渐向内污染，导致分解精度降低甚至错误。因此我们需要对 LMD 算法的平滑方法和端点问题进行进一步的研究。模式识别方面，典型的方法有故障树、专家系统、神经网络、SVM 等。其中故障树方法工作量大，而且不适合处理复杂问题。专家系统主要问题是知识获取的瓶颈问题，知识难以维护，以及不能有效地解决故障诊断中许多不确定因素，这些问题大大影响了故障诊断的准确性[14]。人工神经网络曾经广泛被用于动力机械故障诊断中，但是它对训练样本的要求很高，而且存在过学习和欠学习等问题。SVM 凭借其小样本、非线性、高维模式识别的特点在故障诊断中得到了越来越广泛的应用[15]。但是 SVM 在参数寻优等方面存在着问题仍然需要广大学者的不断努力[16-19]。 第二章 LMD 算法原理及优化 2.1 引言 当动力机械设备发生故障或工作异常时，其相应的振动或噪声信号一般呈非平稳特性。以傅里叶变换为代表的传统频谱分析方法虽然在平稳信号的分析中发挥了重要作用，但它们不能处理非平稳信号[24,25]。非平稳信号分析方法大致经历了短时傅里叶变换、小波变换、EMD、LMD 的发展过程，每种方法的出现都把动力机械故障诊断推向新的高度。非平稳信号分析方法发展过程如图 2-1。 1．短时傅里叶变换 短时傅里叶变换(short-time Fourier transform，STFT)是在傅里叶变换的基础上发展起来的，为了克服傅里叶变换不能同时进行时间-频率局部性分析的缺陷，1946 年，Gabor[26]对 STFT 进行了全面的解释。其目的是：解决由于傅立叶变换是一种整体的积分变换，时间分辨率和频域频率分辨率有着相互制约的矛盾，即：如果想提高时域上的分辨率必须相应的降低频域上的分辨率，反之亦然。STFT 的基本思想是：针对信号的非平稳特性，对信号进行分段截取，认为截取的信号是平稳的，就可以利用傅里叶变换对信号进行频谱分析[27]。ST