基于流形学习与多源信息融合的复杂机械系统健康监测与故障智能预示方法研究

针对服役环境恶劣的复杂机械系统，以风力发电机为具体应用研究对象，结合项目组在解调分析方法、故障特征提取与核机器学习、半监督学习诊断方法等方面的研究成果，深入研究复杂机械系统早期故障状态信息难以分离的问题。深入分析数据的流形内在结构以及数据本身的自学习能力，从数据驱动的角度出发，探索改进适合的流形学习算法，利用流形上某些数据己知的状态参数（实质是其在隐空间中的坐标），学习推测出未知数据的状态，实现早期故障的智能预示。提出基于流形学习与多源信息融合的复杂机械系统健康监测方法，以解决缺乏故障样本训练进行诊断决策、多源信息融合的一致性表示等问题，为恶劣环境条件下服役的复杂机械系统健康监测提供新的手段和方法。

针对故障智能预测等问题，结合项目组在现代信号处理技术、半监督学习诊断方法等研究成果，研究流形学习在复杂机械系统健康监测中的应用问题。深入分析了流形学习理论及其工程应用的局限性，提出了基于界标点的ISOMAP等距映射算法、基于监督式判别分析的LLE局部线性嵌入方法用于机械故障特征提取。针对LLE算法对近邻数目选择的敏感性问题，提出一种改进的可变近邻个数的LLE流形学习方法用于轴承运行状态的识别。针对ISOMAP与LLE研究中碰到的问题，提出一种同时考虑全局样本与局部样本的最近邻最远距离保持投影流形降维方法(NFDPP)，并针对多传感器系统，提出多路信号的距离保持投影（Multiway-NFDPP）设备运行状态评估模型。提出了一种基于半监督流形学习的距离保持自组织映射方法用于对齿轮、轴承等零部件的故障检测与分类。研究了现代信号处理技术在微弱故障特征提取中的应用问题，提出一种适用于流形学习的基于SVD的特征降噪算法，直接对特征空间样本进行处理，有效提高计算效率；提出一种基于广义解调平滑能量分离方法瞬时频率估计方法，用于获取复杂信号的瞬时频率；提出了一种无需编码器和鉴相装置的转速估计方法；提出了一种小波包滤波幅值失真的补偿算法，提高信号分析精度。分别在齿轮传动试验台、旋转机械故障诊断试验台与转子试验台等测试装置上进行典型故障特征提取试验，研究设备性能退化的模式演化特征，并提出基于小波熵与高斯混合模型、基于连续隐半马尔科夫模型的性能退化评价方法，对故障状态的发生、发展与演化过程进行预测。进行了工业风场风力发电机信号的测试研究，分析了风力发电机传动系统振动信号的频率特性，为风力发电机系统健康监测的阈值设定提供判据。. 这些研究内容及取得的成果为复杂机械系统诊断知识获取、故障预测等提供了一些新的分析思路和手段，具有较强的理论意义和应用价值，促进智能预报与诊断方法走向实用。

内容获取失败，请点击重试