《混合SOM和HMM方法在旋转机械升速全过程故障诊断中的应用.pdf》由会员分享，可在线阅读，更多相关《混合SOM和HMM方法在旋转机械升速全过程故障诊断中的应用.pdf（7页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、文章编号：!#$!%&!（&）&$!$#混合()*和+*方法在旋转机械升速全过程故障诊断中的应用冯长建博士研究生冯长建丁启全吴昭同摘要：提出了旋转机械升降速全过程故障诊断的一种新方法 混合()*和+*方法。利用多个电涡流振动传感器在旋转机械升速过程的不同转速段合理地采集数据，经过,-特征抽取后，再由()*神经网络进行特征压缩编码。最后根据多变量+*建模理论，对旋转机械的升速全过程的各种模拟模型故障建立+*，并进行了概率诊断尝试。实验证明该方法是非常有效的。关键词：旋转机械；故障诊断；()*；+*；矢量编码中图分类号：-./!01；-+!120%文献标识码：3收稿日期：&!&!基金项目：国家自然
2、科学基金资助项目（22/）大型旋转机械是石油、电力等行业的关键设备，确保此类设备的安全可靠运行是至关重要的。在升降速过程中，随着转速的上升，频率变化的动力因素对机组的状态进行了一次扫描，信号的频率和幅值都随时间而变化。在机组状态穿越一阶、二阶共振点时，振动信号的变化更加剧烈!。针对旋转机械升降速过程振动信号具有信息量大、非平稳、特征重复再现性不佳的特点，本文利用自组织特征影射神经网络（()*）来对旋转机械的升速过程的振动特征矢量进行量化编码，并建立各种典型故障的+*（456678 9:;9=6?7A），并尝试对升速振动故障模式进行诊断分类。!+*故障诊断基本理论!0!动态模式分类的概率方法故障
3、诊断问题实际上是一个模式分类问题，在!时刻的输入模式!，用!时刻的特征向量来描述!（#!，#&，#$）（!）输入模式空间有所有可能的模式!$式中，$为一个$维实数向量空间。在时刻!的%个观测序列定义为!&%!&%!，!&!，!（&）可能的故障类型!(形成了分类空间（!）!，!&，!)（%）式中，)为分类的数目。故障分类的任务是找到一个输入模式空间!&%到分类空间的影射*：!&%（!）（#）一个动态过程经常呈现出序列行为的改变。如果一个较短一段时间定义为一个帧，那么在不同的故障类型中观测序列帧之间的转移的概率是不一样的。因此计算帧存在的概率以及帧之间转移的概率就可以识别出故障的类型。如果故障发生
4、的概率事先知道，那么这个概率称为先验概率。当一个故障出现时，可以选择先验概率最高的+（!）来对故障进行决策。但是这样的决策并不合理，更为恰当的方法是使用条件概率+（!,!&%），条件概率又称为后验概率，它综合考虑了先验概率和观测时间序列的历史数据。故障分类的问题就是找到一个模型-!，使得条件概率+（!,!&%）在要判定的故障类型中为最大。根据贝叶斯规则计算后验概率为+（-!,!&%）9:B!+（!&%,!）+（!）+（!&%）（2）实际上，+（!）很难获得，通常把故障假设为等概率事件，并满足#)(!+（!(）!（1）概率+（!&%,!）称为-!对应于采样集合的最大似然估计，即模型-!能够使+（
5、!&%,!）在相应的观测序列中为最大&。+*是一种动态时间序列模式分类的统计工具，在语音识别领域中有着成功的应用。+*可以很方便地处理上述的统计模型学习和概率分类问题。!.+*的基本概念和组成 万方数据!是在#$%&链基础上发展而来的一种统计模型。由于实际问题比#$%&链描述的问题更为复杂，因此在!中观测到的事件和状态并不是一一对应的，而是与每个状态的一组概率分布相联系。!是一个双重随机过程，其中之一是#$%&链，描述状态的转移；另一个是描述每个状态和观测值之间的统计对应关系(。这样!以统计模型描述观测值序列，具有严密的数学结构，能够比较完整的表达整个观测值序列的动态行为特性。!的结构见图)。
6、图中!为观测值时间长度。图)!的组成示意图具体地，一个!由下列参数来描述：（)）模型中#$%&链的状态数目。记 个状态为!)，!*，!，记#时刻#$%&链所处的状态为$#，显然$#!（!)，!*，!）。（*）每个状态对应的可能的观测值数目%。记%个观测值为&)，&*，&%，记#时刻的观测值为#，其中#!（&)，&*，&%）。（(）初始概率分布矢量!，!(（)，*，!），其中)(*（$)(!)）)（+）（,）状态转移概率矩阵!(（+),）-+),(*（$#.)(!,/$#(!)）)，,（-）这样，一个!可记为#(（，%，!，!，）（.）或#(（!，!，）（)/）!0!的基本算法!有三种基本的算法
7、，它们的功能分别如下*0：（)）前向1后向算法解决由一个!模型产生一具体观测序列的概率是多少的问题，即给定模型#和观测值序列，#(（2)，2*，2!）其中!为观测序列帧数度，计算*（#/#）。（*）1234$52 算法解决给定一个!模型和一个观测值序列，求最佳的状态序列的问题。即给定观测值序列#和模型#，求$(（$)，$*，$!），使*（#/#）最大。（(）6#78 9:4;=算法解决如何通过一组观测值序列在最大似然意义上学习得到一个!模型的问题，也就是模型的训练问题。即给定观测序列#，该算法确定一个#，使得*（#/#）为最大。!0#!训练算法的改进由 6#78 9:4;=算法得到!参数时，一
8、个重要的问题就是初始模型的选取。不同的初始模型得到不同的训练结果。因为算法是使*（#/#）局部极大时得到的模型参数。因此，选取好的初始模型，使最后求出的局部极大与全局最大接近，是很有意义的。但是至今这个问题仍然没有完美的答案。一般认为!和!参数初始选取影响不大，可以随机选取或均匀选取。但 的初值对训练出的!影响较大(。基于这种考虑，一种典型的!参数估计过程见图*#$%#&$。图 3 改进的4%训练过程5+#+6模型参数#收敛？7#8+9:重估公式(根据状态序列求参数用;)#)算法求状态序列模型初始化图中，初始模型可以任意选取。因为，*（#/7#）?*（#/)#），所以)#就是#的改进模型。再将
9、7#作为初始模型用 6#78 重估公式，得到)#，这样就避免了初值的选择不当。如果沿图中的虚线，不用重估公式，7#也可以近似作为模型参数(。!0$!故障诊断方法对于故障诊断问题，除了训练一个代表旋转机械正常运转条件的!之外，还要训练旋转机械所有可能出现的故障类型的!。这些!构成了一个诊断数据库。为了诊断一个振动信号是何种类型的故障，需要对振动信号进行预处理（特征抽取和矢量编码）。然后计算各个模型输出的概率，通过比较由哪一个模型输出的概率为最大，做出故障决策。输出概率的计算可以使用前向1后向算法或 1234$52 算法来实现)。假设存在于系统中可能的故障有 种，并各自训练得到了!，那么可以根据图
10、(的方法进行旋转机械故障诊断。*?矢量编码方法%0!?的拓扑结构神经网络模拟大脑神经系统自组织特征映射的功能，它是一种竞争式的学习网络，学习的过程可以无监督地、自组织地进行0。?神经网络的结构见图,。它由输入层和竞争层组成，输入层有 个神经元。竞争层上的神 万方数据图!#故障诊断方法经元构成了一个$维平面阵列，对于每一个矢量序列，通过竞争层的竞争算法，最后只有一个神经元获得兴奋而输出结果。图%&#神经网络的结构!&#训练算法与编码特点&#最突出的特点是通过自激学习使获胜神经元的领域逐渐缩小，反复迭代直至满足误差要求。算法概述如下：（(）初始化输入神经元 到特征映射节点#的权值$#为一个较小的随
11、机数。（$）提供一新的输入模式%（&）。（!）计算)*+,-./01 距离#，即输入样本与每个输出神经元#之间的距离#(!)(%（&）*$#（&）$（(）从中选取一个具有最小距离的输出神经元#为获胜神经元。（%）按下式修正输出神经元#以及领域内神经元的权矩阵$#（&+(）($#（&）+!（&）%（&）*$#（&）（($）式中，,为输出神经元节点数；)为输入模式的维数；!（&）#（2，(）为权值调节指数，它是一个增益项，并随时间的增加逐渐收敛到零。（3）提供一新的样本重复以上学习过程直至满足误差要求。&#网络学习的结果使比较相近的输入样本在输出的$维平面上的位置也比较接近，因此&#在模式识别和聚
12、类分析中得到了广泛的应用。本文把&#用于矢量聚类编码中，因为对于给定的输入矢量序列，通过&#网络后，在竞争层上只有一个神经元获得兴奋，因此可以把这个神经元节点的序号作为聚类编码特征。!诊断实例分析4 5 67#实验设置和数据预处理本文在 8/19,:;)?$%33）转子试验台上进行旋转机械升速模拟试验。数据采集根据键相器跟踪转速进行倍频采样，采样频率为 4%倍频。采集数据范围为 322322 转，其间均匀抽取(32 组振动信号，经过中值滤波器去掉信号中的脉冲干扰，然后利用 AAB 变换抽取振动信号的幅值谱，为了简要计算，只保留(C$倍频、工频、$倍频、!倍频、%倍频和 3 倍频等频率处的主峰值
13、点，最后经过&#对这些谱矢量进行编码。为了能够全面反映转子的振动特点，采用!个振动传感器测量转子的振动行为，试验测点布置见图 3。图 3试验装置测点布置7!模型训练建立#一个重要的问题是隐状态数目和#0DEF=链形状的确定。但是这个问题还没有完美的解决方案。在语音识别领域中通常都假设状态个数为(2 以下。这里，由于转子试验台在升速全过程中，大致经历了 3 个转速阶段，低速运行区、一阶共振区、中速运行区、二阶共振区和高速运行区，这些区段转子的振动具有不同的特点。因此本文假设隐状态个数为 3，同时该过程是一个有始有终的序列变化行为，于是假设#0DEF=链为左右型。初始#0DEF=链假设见图 4。图
14、 4#中初始#0DEF=链形状图 4 中的圆圈代表模型中的隐状态，箭头表明了状态之间的条件依赖关系，箭头附近的数字表示状态转移概率。在转子试验台上模拟了 3 种实验，正常、油膜涡动、转子碰摩、基座松动和转子预负载，对升速 万方数据过程各种模拟实验的数据处理后建立各自的!。模型迭代过程见图#。其中横坐标代表训练过程迭代步数，纵坐标代表训练过程中输出的概率对数似然估计值。因为输出的概率往往很小，所以通常取对数值，这样处理并不影响分类结果的正确性。$%油膜涡动&%转子碰摩%机座松动(%正常)%预负载图#)种模型训练过程由图#可以看出，!经过几十步的迭代都达到了收敛误差（本文设置为*%*$），说明!具
15、有很快的学习性能。转子升速过程的整个诊断分类框架见图+。设置,-的最大编码为(*!#!$。故障决策图+旋转机械启动过程故障诊断框架参数重估数据预处理!分类器维护建议分类输出预负载模型基座松动模型转子碰摩模型油膜涡动模型正常模型矢量编码特征抽取中值滤波数据采集!%!诊断结果上述)种实验，分别采集*组实验数据样本对模型进行诊断测试。具体故障分类识别的方法见图。测试结果见表$，表中黑体数字表示分类正确的次数。表!#组样本诊断测试结果正常油膜碰摩松动预负载误差率（.）正常$%$*$/*%*油膜*$&$*/0%0#碰摩$*$*/%松动$*$*/%预负载&$*$(+0%0#由表$可以算出，利用本文的!方法
16、对转子升速过程的诊断平均识别率为/&.。(结论实验表明!能够对旋转机械升速全过程的振动模型进行分类识别，而且具有令人满意的分类效果。需要继续研究的工作是如何简化数据样本以及优化!参数，从而进一步提高识别精度。参考文献：$童进%隐 12345 模型在旋转机械升降速过程故障诊断中的应用研究：博士学位论文%杭州：浙江大学，$/%&6748 699:;?=8:!A8B%CDD=E98F GHE98F=I=D1F=48=8 JADK912 L4792 LK18FM NM=8B!=EE9812345 4E9KM%O8B=8992=8B CPPK=D1F=48M 4I C2F=I=D=1KG8F9KK=B9
17、8D9，$/，$&：(/$)*$谢锦辉%隐 12345 模型（!）及其在语音处理中的应用%武汉：华中理工大学出版社，$/)：$)*(L1EF=D,MF9%L1FF928 S9D4B8=F=48，$/(，&#（$）：$(/$0()-7MK9 T R，CFK1M T O，U92812E V R%,9KI:42B1H8=W=8B Q91FA29 1PM 18E!=EE98 12345 4E9KM I421DF=D,MF9M%J9A21KJ9F7423M I42 L24D9MM=8B$/GGG%L24D99E=8BM 4IF9$/GOOO:,L Y423M=8，TG S，Z!-N 69=8%C Q1A
18、KFR9F9DF=48 18E R=1B84M=M CPP241D U1M9E 48!=EE9812345;92=D18;48F24K;48I9298D9，$/+：&*$&*$0+CFK1M T，-MF98E42I，U92812E V R%!=EE98 12H345 4E9KM I42 48=F42=8B 1D=8=8B X44K:7912%CD4AMF=DM，,P99D，18E,=B81K L24D9MM=8B，&*，GH;C,L L24D99E=8BM，&*GOOO G8F9281F=481K;48I92H98D9 48，&*，0：+#+/*/童进，吴昭同，严拱标%大型旋转机械升降速过程故
19、障诊断研究%振动、测试与诊断，$/，$/（$）：#/+*（编辑马尧发）作者简介：冯长建，男，$/#*年生。浙江大学（杭州市$*&#）机械与能源工程学院现代制造工程研究所博士研究生。研究方向为设备智能监测与故障诊断。发表论文 0 篇。丁启全，男，$/(年生。浙江大学机械与能源工程学院现代制造工程研究所副教授。吴昭同，男，$/&年生。浙江大学机械与能源工程学院现代制造工程研究所教授、博士研究生导师。万方数据混合SOM和HMM方法在旋转机械升速全过程故障诊断中的应混合SOM和HMM方法在旋转机械升速全过程故障诊断中的应用用作者：冯长建，丁启全，吴昭同作者单位：浙江大学机械与能源工程学院现代制造工程研
20、究所,杭州市,310027刊名：中国机械工程英文刊名：CHINA MECHANICAL ENGINEERING年，卷(期)：2002，13(20)被引用次数：8次 参考文献(9条)参考文献(9条)1.童进 隐Markov模型在旋转机械升降速过程故障诊断中的应用研究学位论文 19992.Kwon Kee-Choon.Kim Jin-Hyung Accident Identification in Nuclear Power Plants Using HiddenMarkov Models 19993.谢锦辉 隐Markov模型(HMM)及其在语音处理中的应用 19954.Padhraic Smy
21、th Hidden Markov Models for Fault Detection in Dynamic System 1994(01)5.Owsley L M D.Atlas L E.Bernard G D Self-organizing Feature Maps and Hidden Markov Models forMachine-tool Monitoring 1997(11)6.Smyth P Hidden Markov Models and Neural Networks for Fault Detection in Dynamic Systems.Neural Network
22、s for Processing 1993III 19937.ZHANG Youmin.LI X R.ZHOU Kemin A Fault Detection and Diagnosis Approach Based on Hidden MarkovChain Model 19988.Atlas L.Ostendorf M.Bernard G D Hidden Mar-kov Models for Monitoring Machining Tool-wear 20009.童进.吴昭同.严拱标 大型旋转机械升降速过程故障诊断研究期刊论文-振动测试与诊断 1999(03)相似文献(10条)相似文献
23、(10条)1.期刊论文 许琦.顾海明.李永生 粗集理论及其在旋转机械故障诊断中的应用(二)旋转机械故障诊断知识库的形成-南京工业大学学报(自然科学版)2002,24(4)旋转机械故障诊断知识库形成的主要环节是信号的采集和信号的分析、整理;在所有的机械故障信号中,振动诊断技术是故障诊断的常用手段,对振动信号实现连续、在线诊断的最重要的数学工具是快速傅里叶变换(FFT)和小波理论.通过对实验的观察,建立转子故障特征向量和故障类型之间对应关系的数据库,为基于粗集理论故障诊断的决策表的形成提供了原始的知识库.2.学位论文 宋雪萍 旋转机械故障诊断若干理论与技术的研究 2005 旋转机械是工业部门中应用
24、最为广泛的一类机械设备，例如汽轮机、发电机、鼓风机、压缩机等诸多机械都属于这一类。随着科学技术的发展，旋转机械正在向高速、重载和自动化方向发展，对旋转机械在设备安全、稳定、长周期、满负荷运行的要求也越来越高，转子以及其它回转部件作为旋转机械的的核心部件，在电力、能源、交通、石油化工等领域中发挥着无可替代的作用。这类设备一旦发生故障，将会引发严重的机毁人亡事故，并造成重大的经济损失。所以，采用现代化技术，及时掌握设备的运行状态，才能预防故障，杜绝事故，延长设备运行周期，缩短维修时间，最大限度地发挥设备的生产潜力，提高经济效益和社会效益。在新形势下，设备现代化管理以及机械故障诊断正面临着新的机遇和
25、挑战，把旋转机械的故障识别与诊断技术引向深入，使其在现代化设备管理过程中发挥积极的作用，对国民经济建设具有普遍而又重要的意义，也是机械故障诊断领域的科研人员与广大现场工程技术人员所肩负的重要任务。因此研究旋转机械故障诊断若干理论与技术具有重要的理论和实际意义。本文以旋转机械转子系统为研究对象，采用理论研究、计算机仿真和试验测试相结合的研究方法，提出了基于小波理论、HMM(HiddenMarkovModels，简称为HMM)理论以及粗糙集理论的故障分类与识别的基本算法和实现技术，通过对典型故障的原始信号进行特征提取和选择，建立相应的故障标准模式，从而达到故障诊断的目的。全文的主要内容如下：第一章
26、：论述了研究机械设备故障诊断的意义和内容，在查阅大量国内外文献的基础上，提出了当前旋转机械故障诊断技术存在的问题及应研究的主要内容。第二章：研究了小波分析方法在旋转机械故障诊断中的信号特征提取和诊断。首先以试验数据为基础，利用小波变换的多分辨率分析、奇异性理论对典型故障信号进行多尺度分解和重构，发现小波分析便于对信号的总体和局部进行刻画，可以有针对性地选取有关频带的信息并且降低噪声的干扰；其次根据小波变换系数模值与信号突变的关系，可以突出典型故障的特征频率，达到提取裂纹故障的目的；最后利用小波包分解原理对几种典型故障进行研究，发现其在通频范围内可以得到不同频段内的分解系列，时域和频域均有更精细
27、的局部化分析功能；对经过小波包分解和重构后各个频带信号进行重分配尺度谱分析，可以有效地进行特征提取。第三章：依据HMM的基本理论与算法，提出了利用HMM在实际故障诊断中应注意的几个问题；讨论了HMM初始模型的选取方法；研究了以四种典型故障为基础，通过对试验数据进行加窗处理，采用自相关法提取12阶LPC(LinearPredictioncoefficient)倒谱系数作为特征矢量，采用LBG聚类算法对特征矢量进行矢量量化处理，得出码本矢量，训练四种故障的DHMM(DiscreteHiddenMarkovModel，简称DHMM)模型，并将部分所测数据经矢量量化后输入到训练好的DHMM中，求其对数
28、似然概率值，概率值最大者即为故障状态。采用K-means算法对CHMM(ContinuousHiddenMarkovModel，简称CHMM)进行参数初始化处理，为了防止数据下溢，引入前向-后向比例因子算法求对数似然概率值。对给定的观测序列，每一种模型的优化路径通过Viterbi算法来实现，并用Baum-Welch算法实现参数重估，给出了重估公式。第四章：确定了基于粗糙集理论进行故障诊断的技术路线；在对试验数据进行分析的基础上，结合典型故障的机理，根据故障的典型特征信息，构造了包含故障信息的知识库；对知识库的信息属性进行了分析，计算了信息属性的重要性，根据其重要性的程度来度量决策属性对条件属性
29、的依赖程度，以便对属性和属性值进行简化，建立最简决策表；根据最简决策表，得出决策规则，并由确定性因子对决策规则进行评价进而做出诊断决策。第五章：论文的研究总结和展望。3.会议论文 温后珍.曾杰.徐小力 分明矩阵在旋转机械故障诊断知识获取中的应用 使用人工智能构建旋转机械故障诊断系统,知识获取是一个瓶颈问题.旋转机械故障诊断规则是符合粗糙集理论要求的,所以可以使用粗糙集理论对旋转机械故障诊断知识进行处理.以现场测得的旋转机械典型故障的数据为基础,经过数据预处理,构造决策表,用分明矩阵对决策表进行属性及属性值的约简,完成规则提取,形成故障诊断知识。4.期刊论文 刘向阳.LIU Xiangyang
30、模糊理论的旋转机械故障诊断研究-现代制造技术与装备2009,(5)本文以模糊理论为基础,根据模糊故障诊断的基本原理,通过建立旋转机械故障诊断数学模型和故障诊断原则,实现对旋转机械的故障诊断,最后通过具体的旋转机械故障诊断实例进行分析说明.5.学位论文 李武朝 基于信息融合的旋转机械故障诊断分析仪研究与设计 2006 随着科学技术的进步，现代工业设备不断朝着大型化、重载化、高速化和高度自动化等方向发展，一方面提高了生产效率、降低了生产成本，但同时对生产设备本身的设计以及运行的安全性提出了更高的要求，一旦发生故障，将会造成巨大的损失。提高设备运行的安全性、可靠性，保证生产的连续性是确保企业追求高经
31、济效益的前提，设备故障诊断技术也因此成为科学研究的热点问题。本文主要研究旋转机械故障诊断技术。传统的旋转机械故障诊断方法大多数都采用单传感器技术，信息来源不充分，故障诊断分辨率不高，经常出现故障误报、漏报和错报现象，难以满足现代工业生产对故障诊断技术的要求。对此，本文着重研究基于多传感器的信息融合技术在旋转机械故障诊断中的应用。利用多个传感器从多个角度获取系统的各种特征信息或同一传感器的不同特征信息，按照一定的融合算法对这些多元信息加以处理，最后依据融合信息进行故障决策与判定。研究表明，多传感器信息融合技术在旋转机械故障诊断中是一种可行、有效的诊断方法。本文首先从工业现场的实际出发，指出了开展
32、旋转机械故障诊断技术研究的必要性，然后分析了目前在旋转机械故障诊断中所采用的方法及其不足之处，在此基础上着重研究多传感器信息融合技术在旋转机械故障诊断中的应用。最后从硬件和软件两方面介绍了便携式旋转机械故障诊断分析仪的结构和设计过程。本文设计的故障诊断分析仪主要由数据采集单元、数字信号处理器(DSP)以及液晶显示部分组成。传感器检测到的模拟振动信号经过调理和A/D转换后，在DSP中进行数据处理，处理后的数据、波形直接通过液晶屏显示。DSP采用TexasInstruments(TI公司)的TMS320VC5402芯片，液晶采用金鹏电子公司的中文图形液晶模块ocm4x8c。6.会议论文 庞亚宁 旋
33、转机械故障诊断与状态检修 2002 从旋转机械故障诊断的发展及故障诊断的任务出发,用事例说明旋转机械故障诊断与状态检修的必然关系,提出了状态检修目前存在的问题,最后阐明了只有通过状态监测及故障诊断才能走向状态检修.7.学位论文 张鹏 面向旋转机械故障诊断的非平稳信号特征提取方法研究 2006 随着科技与生产的发展，机械设备故障诊断技术日益获得重视和完善。大型旋转机械运行中的绝大多数信号是非平稳、非线性的。这些非平稳、非线性信号中包含着丰富的故障信息。由于傅里叶变换本质上的缺陷，无法得到时域和频域中非平稳信号的全貌和局部化的结果，使提取的故障特征有缺陷，从而影响了设备的诊断。只有采用时频分析方法
34、，从时域和频域同时表征信号的特征，才能对旋转机械的非平稳、非线性的信号进行较好地分析并提取故障特征。本文主要研究了小波分析方法和基于EMD的时频分析方法及其在面向旋转机械故障诊断的非平稳信号特征提取中的应用。主要进行了以下几方面的工作：（1）以非平稳信号的特征提取为出发点，分析了国内外故障诊断和信号特征提取方法研究的现状，说明了研究非平稳信号的特征提取方法是故障诊断的内在要求。（2）研究了小波分析、小波包分解的基本理论，对小波分析应用于信号降噪进行了理论分析。将小波分析降噪方法应用于旋转机械故障诊断中，通过仿真和实验分析，证明小波分析降噪方法可以有效的抑制非平稳信号中的噪声，并有效的保留信号中
35、包含的故障信息；将小波包分解方法应用于旋转机械故障诊断中，通过对故障信号进行小波包分解，研究了故障信号在小波包分解下的故障特征。（3）研究了基于EMD的时频分析的基本理论，及其适用于非平稳信号特征提取的特性，通过仿真信号分析，证明了基于EMD的时频分析能够有效的表征信号中所包含的非平稳、非线性成分。（4）将基于EMD的时频分析理论应用于旋转机械故障诊断中，通过对实验信号的分析，研究了碰摩和突加不平衡故障信号在基于EMD的时频分析下的故障特征。本文对文中所提方法进行了实验研究，结果表明，将小波分析方法用于信号降噪，能在不同的频率范围内对信号进行滤波，解决了低通滤波当信号和噪声频率发生重叠时不能进
36、行有效分离的问题，可以作为旋转机械故障诊断中的非平稳信号的预处理方法。小波包分解可以将信号分解到不同的频段，然后对各频段内的信号进行重构，再对所关心的频段的子信号进行时域和频域的分析，可以有效的提取非平稳信号中的故障特征。基于EMD的时频分析方法较之小波分析方法有着更好的自适应性和时频分辨率，通过EMD分解，可以得到有意义的Hilbert谱，能从时频两个方面同时表征信号的特征，可以有效识别非平稳信号中的故障信息。8.会议论文 郝伟.张瑞林 神经网络聚类方法在旋转机械故障诊断中的应用研究 1996 在基于神经网络的聚类学习方法中，分有监督学习方法和无监督学习方法。该文采用基于神经网络的无监督学习
37、方法对旋转机械中常见故障的分类进行了较为详细的研究，以此分类结果来达到故障诊断的目的，该文还具体描述了该算法的实现方法。研究结果表明，该方法克服了基于有监督学习方法的旋转机械故障诊断技术的某些缺陷，是进行大型旋转机械故障诊断的一种行之有效的方法。9.期刊论文 冯长建.康晶.吴斌.胡红英.FENG Chang-jian.KANG Jing.WU Bin.HU Hong-ying DHMM的动态模式识别理论在旋转机械故障诊断中的应用-大连民族学院学报2006,8(3)对于旋转机械启动过程的动态模式,提出了一种基于离散隐马尔可夫模型(DHMM)的旋转机械故障诊断新方法.该方法对旋转机械启动过程的局部
38、振动信号进行FFT特征提取,然后利用自组织特征映射对提取的特征矢量进行预分类编码,把矢量编码作为观测序列引入到DHMM中进行机器学习和故障诊断实验.实验表明,提出的方法对旋转机械启动过程进行诊断是十分有效的.10.学位论文 胡劲松 面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究 2003 该文的研究成果将为旋转机械信号处理与故障诊断,尤其是为非线性和非稳态的故障分析与诊断给出了一条新的途径.全文的主要研究内容如下:第一章论述了面向旋转机械故障诊断时频分析的研究意义;介绍了旋转机械故障诊断理论与技术概况.第二章介绍了基于EMD时频分析方法的一些基本概念;阐述了EMD方法和基于EMD的希
39、尔伯特变换的基本原理和算法;在此基础上,用基因EMD的时频分析方法对仿真和实际信号进行了分析验证,结果表明把该方法引入旋转机械振动信号时频分析和故障诊断领域是有效的.第三章介绍了EMD算法端点效应的机理;然后系统地研究了直接信号序列延拓技术、基于时间序列预测和基于神经网络预测的数据序列延拓技术的特点及性能;最后,对各种延拓技术进行了比较研究.第四章从提高速度与精度两方面着手,对EMD算法进行了系统地研究.第五章针对旋转机械信号进行EMD时频分析的要求,提出了提高整周期采样精度的预测算法和适合于单片机计算的近似公式;论述了模态裂解现象,并通过仿真信号和实际信号的研究,提出了使用滤波技术来减弱模态
40、裂解现象的方法;给出了适合于旋转机械振动信号基于EMD时频分析的工作步骤;研究了基于EMD的旋转机械振动信号自适应滤波技术.第六章把基于EMD的时频分析方法分别与短时傅里叶变换、Wigner分布分析、小波变换进行了比较研究.第七章以模拟转子实验台为基础构建了实验系统;用基于EMD的时频分析方法对转子冲临界过程进行了实验研究与分析;在论述几种典型故障特点的基础上用基于EMD的时频分析方法对这几种故障振动信号进行了实验研究与分析,获得了时频特征.第八章分析、设计并实现了基于EMD时频分析的软件系统;结合Matlab和C+Builder的优点,介绍了C+Builder和Matlab混合编程的实现方法
41、;介绍了基于EMD时频分析软件系统的基本组成和功能.第九章总结了全文的研究成果和创新之处;并对今后的工作提出了展望.引证文献(8条)引证文献(8条)1.彭媛.ZHANG Chun-liang.赵辉 基于AIS的核动力旋转机械故障诊断方法期刊论文-机械工程与自动化2008(4)2.赵辉.张春良.彭媛 基于HMM的核动力旋转机械故障诊断的研究期刊论文-噪声与振动控制 2007(6)3.谷慧娟.曲波 基于SOM网络的IVC空气过滤器故障分类期刊论文-信息技术 2007(2)4.郑建明.李言.袁启龙.李鹏阳 基于小波包能量谱的HMM钻头磨损监测期刊论文-中国机械工程 2006(12)5.宋雪萍.马辉.毛国豪.闻邦椿 基于CHMM的旋转机械故障诊断技术期刊论文-机械工程学报 2006(5)6.宋雪萍 旋转机械故障诊断若干理论与技术的研究学位论文博士 20057.柳新民 机电系统BIT间歇故障虚警抑制技术研究学位论文博士 20058.叶大鹏 基于2D-HMM的旋转机械故障诊断方法及其应用研究学位论文博士 2004 本文链接：http:/