基于非线性流形学习的轴承早期微弱故障声发射信号特征解耦与异常检测设计.docxVIP

PAGE2

基于非线性流形学习的轴承早期微弱故障声发射信号特征解耦与异常检测设计

摘要

轴承作为旋转机械的核心部件，其早期微弱故障的准确检测对保障设备安全运行具有重大意义。声发射信号对微裂纹、点蚀等早期损伤极为敏感，但故障特征往往淹没在强背景噪声中，且故障模式间耦合严重，传统线性方法难以有效解耦与识别。本设计以非线性流形学习为核心，构建轴承早期微弱故障声发射信号的特征解耦与异常检测体系。首先分析声发射信号的非平稳特性，设计基于同步压缩变换的微弱冲击时频流形特征提取方案；随后引入局部切空间对齐等流形学习算法，实现高维特征向低维本征空间的非线性映射，发掘故障类间内在几何结构；进而设计自适应最大解耦判定逻辑，利用类间散度与类内聚合度构建判别准则，实现在线异常预警。全文遵循“需求分析—总体设计—详细设计—实现—测试”的工程递进思路，完成一套完整的信号处理与检测算法设计，并通过仿真与实测数据验证其有效性。论文的核心创新在于将非线性流形学习与声发射信号时频分析深度融合，从高维特征空间解耦出故障敏感的低维流形，显著提升了早期微弱故障的检测灵敏度和故障模式识别能力。

第一章绪论

1.1研究背景

旋转机械是工业生产的核心装备，轴承作为其关键支承部件，运行状态直接决定整机性能与安全。据统计，旋转机械故障约有30%由轴承引起，而早期微弱故障的漏检会导致突发性停机，造成巨大经济损失甚至安全事故。