基于特征关联性的机械故障模式识别方法研究

摘要

机械设备故障模式识别过程中，在样本提取的特征相互之间都存在着一定的内在或外在关联特性，而大部分传统的故障特征提取方法和分类方法都弱化了这种关联性，把特征看作纯粹的数字量进行处理，没有考虑特征关联性所表征的样本深层次含义。事实上，提取这样的特征关联性对分析模式本质状态，加强同类别聚合度，剔除冗余特征，提升识别能力都有积极正面的影响。本文从故障特征关联性出发，分析了关联性信息对设备故障模式识别的意义，以特征的空间结构关联性和统计学关联性为出发点，提出了两种基于特征关联性的机械故障模式识别方法。
　　本研究主要内容包括：①基于时频图图像分层纹理和支持张量机的故障识别方法：该方法能够挖掘出时频图谱中纹理特征的空间结构关联性，以特征关联性优化样本的特征聚类性，以纹理矩阵作为样本特征输入支持张量机训练学习，不破坏纹理矩阵内在的空间结构关系。②基于递归定量分析和V-VPMCD（Voted-Variable Predictive Model Based Class Discrimination）的故障识别方法：该方法利用了递归定量分析对非线性、非平稳信号分析的鲁棒性和样本质量不高时处理的优势，以特征之间的统计学关联性作为分类依据，用投票法优化了变量预测模型，提升了算法的稳定性和识别率。③对两类算法分别进行了滚动轴承不同程度、不同类型的故障以及滑动轴承油膜各类失稳状态的识别实验，证明了本文算法具有较高的识别准确率，能够准确的预测轴承的运行工况。与传统模式识别方法对比中，图像分层纹理提取和支持张量机相结合的识别方法优于全图/分层纹理提取与SVM/BP相结合的识别方法；递归定量分析和 V-VPMCD相结合的识别方法优于递归定量分析与VPMCD/SVM/BP相结合的识别方法。

目录

封面

中文摘要

英文摘要

目录

1 绪 论

1.1 课题研究背景和意义

1.2 机械故障模式识别技术概要

1.3 特征关联性提取技术

1.4 本文主要研究内容

2 机械振动信号特征提取方法

2.1 振动信号时频分析方法

2.2 时频图纹理特征提取

2.3振动信号递归定量分析方法

2.4 本章小结

3 基于时频图图像分层纹理和支持张量机的故障识别方法

3.1 频带切割与分层纹理

3.2 支持张量机

3.3 基于时频图图像分层纹理和支持张量机的故障识别方法

3.4 实验论证

3.5 本章小结

4 基于递归定量分析和V-VPMCD的故障识别方法

4.1 VPMCD特征关联模型

4.2 基于投票法优化的VPMCD模型

4.3 基于递归定量分析和V-VPMCD的故障识别方法

4.4 实验验证

4.5 本章小结

5 算法对比

5.1 本文两类方法与传统算法对比

5.2 本文两类方法对比

5.3 本章小结

6 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

附录

A．作者在攻读硕士期间发表的论文目录：