周期簇稀疏特征提取方法及其在机械故障诊断中的应用研究

正指导教师:訾艳阳Ivan W.Selesnick冶金、风电、海洋装备等领域的大型复杂机电设备在高温腐蚀、重载疲劳等复杂恶劣的工作条件下运行,其关键零部件不可避免发生性能退化和失效。机械设备一旦出现事故,将带来巨大的经济损失,甚至导致人员伤亡。若能在设备发生事故前识别出故障并及时维修,将对关键机械设备的安全运行、避免灾难性事故的发生具有重大意义。     

周期稀疏导向超小波在风力发电设备发电机轴承故障诊断中的应用

机械故障特征提取的内积变换原理要求匹配基函数与目标特征之间的相似性。在缺乏故障特征的精确信息这一不利条件下,根据故障呈现出的确定性以及统计特性能够有效指导基函数的选择和构造针对发电机轴承发生故障时常伴随周期性特征的先验知识,提出冲击故障特征周期性稀疏为导向的超小波构造方法。所提出的超小波变换利用可调品质因数小波变换作为匹配字典库,从而改进经典的基于单一固定基函数的小波分析思想。在技术路线上:首先采用超小波字典库对信号进行分解,计算各小波尺度上的周期性稀疏故障特征能量权重指标;以该权重指标优化为目标函数作为评价超小波字典与微弱故障特征匹配相适度的依据选择的可调品质因数小波最优刻画参数(即最优超小波);利用最优的超小波基函数对信号进行最终分解,获取其中的关键故障特征。所提出方法成功地应用于某风力发电机组上发电机轴承故障诊断,从中提取振动信号中隐藏的微弱冲击性故障特征。     

机械故障特征提取的拓扑集分形稀疏字典

多尺度字典是实现机械动态信号中频域弱相干成分解耦的重要方法,但目前还欠缺围绕固定频率进行分辨率持续细化的系统性理论。基于近似解析小波变换构建了全新的拓扑集分形多分辨理论。提出了中心嵌套子空间簇,它随分析尺度深化实现了机械故障特征多目标同时追踪细化,在频域上表现为围绕一系列固定中心频率进行严格的二进细化。在数学上严格证明了:①任意中心嵌套子空间簇都是动态信号频域的拓扑空间;②各中心嵌套子空间簇按分析尺度具有严格自相似的分形特性。另外研究还揭示了二进制多分辨理论与拓扑集分形的深刻同构关联,即任意二进小波包唯一从属于某个中心嵌套子空间簇。其次,在扩展中心嵌套子空间诱导下,经典小波包变换可以化归成拓扑集分形的真子集。将拓扑集分形与旋转机械部件损伤动态模型结合提出了一种新的机械故障特征提取方法。该方法通过周期性成分稀疏测度优化和中心嵌套子空间搜索对冲击性机械故障特征的周期、瞬时动力学参数进行优化提取,从而提取物理意义更显著的单分量信息。将该方法应用于滚动轴承的故障诊断中,在含强噪声的振动信号中准确提取了表征轴承外圈剥落的多个单一模式分量。通过对比验证了所提出方法的噪声抑制能力显著优于以谱峭度和群组稀疏优化为代表的对主流机械故障特征提取技术。     

一种叶片裂纹检测的稀疏共振解调算法

针对强相干噪声干扰下叶片振动信号中裂纹故障微弱特征的提取问题,提出了一种基于稀疏共振解调的诊断方法。首先,利用从中心集化多分辨分析处理机组上取得的原始振动信号进行子空间重构;其次, 对小波子空间信号进行希尔伯特包络解调,选取故障特征频率及其倍频成分能量占优的子空间;再次, 根据周期性故障稀疏模型,采用梳形滤波器分离故障特征频率及其倍频成分,构造故障分量参考信号;最后,结合故障参考信号对子空间重构信号进行小波降噪, 从而提取与叶片裂纹相关的微弱特征。在出现叶片裂纹故障的发电机组增压风机故障诊断案例分析中,仅采用多尺度分解无法在时域上得到周期性冲击故障特征。而采用所提出的基于稀疏共振解调方法进行信号处理后,强相干噪声得到了有效抑制, 从而突出了故障特征。     

机械故障诊断的稀疏特征提取方法

针对旋转机械的周期性稀疏故障特征提取问题,提出了一种周期重叠簇稀疏信号优化特征提取算法．该算法根据机械故障诊断周期性特征提取问题构造了有效的稀疏优化目标函数,该目标函数中的正则项(惩罚函数)选用非凸惩罚函数来增强周期性特征的稀疏性,并且证明了非凸可控化参数在一定约束条件下可以保证目标函数整体为凸．基于优控极小化方法求解所构造的优化问题,推导出高效的快速迭代收敛数值算法,该求解算法最终收敛于优化问题的全局最优解．将所研究的周期重叠簇稀疏信号优化特征提取算法应用于仿真信号,定量分析了其相对于对比算法的优越性．最后,将所研究的周期重叠簇稀疏信号优化特征提取算法应用于轴承故障特征提取中,结果表明,该算法其可以有效地提取稀疏微弱故障特征．