关键词：
滚动轴承
齿轮箱
故障诊断
特征提取
离散熵
广义高斯离散熵
摘要：
工业技术的进步推动机械设备逐步趋于体系化和智能化发展,从而对其运维保障提出了更高要求。轴承和齿轮作为设备的传动部件,常需承受较大的交变载荷,加之恶劣工况的影响,使其极易发生机械磨损从而导致系统性故障。因此,依托振动信号挖掘具有典型故障特征的动力学指标,并构建智能化的损伤识别框架,是提高运维效率的有效手段。基于信息熵理论的离散熵算法通过观测微观视角的混乱度和复杂性揭示非线性系统的宏观变化,因而被广泛应用于轴承和齿轮等部件的故障特征提取中。然而,传统离散熵算法存在诸如信号估算偏差、高维信息缺失、多频率特征提取困难、噪声鲁棒性欠佳等不足,限制了其对机械故障的表征效果。针对上述问题,本文从数据映射、信号滤波、高维拓展、频率特征解构和多元脉冲分量强化等方面优化算法性能。此外,进一步提出了迭代戴维斯-布尔丁特征选择算法以过滤冗余信息。最终构建集可靠性、实时性、智能化于一体的机械设备损伤检测框架,为智能运维提供理论和技术支撑。本文所做工作总结如下:
(1)在特征提取过程中,离散熵以正态分布为假定条件将信号映射。但传动部件的振动信号通常包含噪声、谐波分量和故障分量等多种成分,以正态化标准估算样本分布可能会造成映射偏差,使离散模型无法准确刻画信号的局部动态变化,最终导致不准确的故障表征结果。为此,本文提出了广义高斯离散熵理论以优化所述不足。该方法基于广义高斯模型构建了数据分布的动态评估标准,通过拟合信号的实际动力学行为抓取故障信息,从而构建兼具局部和全局敏感性的特征指标。实验证明相较于传统方法,广义高斯离散熵不仅能够准确监测Logistic映射、Hénon映射和MIX过程等非线性系统的演化趋势,而且对信号的幅值和频率调制现象也更为敏感。此外,相较于传统算法,其噪声鲁棒性也被显著提升,因而具有更好的应用前景。之后,提出了迭代戴维斯-布尔丁指数特征选择算法提炼故障信息,并结合各类机器学习模型初步构建了智能损伤识别框架。
(2)针对噪声和变转速工况下的故障特征提取与识别问题,本文提出了精细复合多尺度符号广义高斯离散熵算法。该方法通过符号动态滤波理论将非线性信号重构为符号序列,从而抑制噪声和转速变化引起的信号波动,强化了所得特征的时频敏感性。实验表明,相较于多尺度离散熵,所提方法能够在一定噪声条件下保持稳定的特征表达。此外,对于转速变化各异的复杂工况条件,该方法亦具有良好的适应性,获得了更为理想的损伤识别结果。
(3)针对部件故障程度的定量表征和多工况条件下的损伤定性问题,提出了改进二维多尺度分数阶广义高斯离散熵算法。该方法通过将原始时间序列投影至状态空间,揭示信号的高维多尺度特征。同时,依托Riemann-Liouville理论观测信号的微观变化以评估其整体趋势。实验表明,得益于良好的信息抓取能力,所提算法在不同尺度内均可准确监测复杂系统的演化过程,而轴承不同部位的损伤程度也可被有效量化。此外,在转速、负载交变组合的多工况条件下,该方法对损伤的定性分析与识别能力也优于传统算法。
(4)针对信号多频率特征难以提取和识别的问题,提出了内插分层模糊广义高斯离散熵算法。该方法通过拟合频率分量间的潜在变化,抑制由数据压缩导致的特征浮动。同时,依托模糊约束解析映射数据与整数类别的隶属关系,结合样本的动态评估过程可准确表征多频分量的动态变化。仿真实验验证了该方法能够有效克服参数和数据长度的影响,利用小规模信号样本即可获得完整的频率特征表达。风机齿轮箱和高速列车轴承实验表明,所提算法对调制信号和复合损伤信号的多频特征具有良好的定位能力,从而准确识别了设备的多种故障状态。
(5)针对在传递路径干扰下,信号弱故障特征无法准确提取和识别的问题,提出了多元脉冲倒置广义高斯离散熵算法。该方法通过时延尺度提取脉冲成分,随后,利用分层过程、希尔伯特变换和高斯距离将低频不定性特征倒置以强化脉冲响应。同时,通过多通道信息融合构建了具有多元相关性的离散模型,从而获得了兼具鲁棒性和脉冲敏感性的特征指标。实验表明,所提算法能够准确表征航空发动机轴承的损伤状态。
欢迎来到三峡大学图书馆！
