機(jī)械傳動部件是機(jī)電裝備中起承載和傳動作用的關(guān)鍵部件,一旦傳動部件出現(xiàn)損傷,就會引起裝備振動加劇。若沒有及時檢測出裝備的異常狀態(tài),隨著故障程度的惡化,就可能引起機(jī)電裝備長時間停機(jī)導(dǎo)致經(jīng)濟(jì)損失,甚至引發(fā)安全事故。為避免因機(jī)械傳動部件的故障而造成巨大損失,對傳動部件的狀態(tài)進(jìn)行故障診斷、監(jiān)測以及性能退化評估具有重要的意義。機(jī)電裝備的振動特性反映裝備當(dāng)前的狀態(tài),利用振動信號進(jìn)行分析是近年來機(jī)械故障診斷領(lǐng)域中研究的熱點和難點。由于機(jī)電裝備結(jié)構(gòu)復(fù)雜、工況波動、隨機(jī)干擾等因素的影響,機(jī)械振動信號具有非線性、非平穩(wěn)性、強(qiáng)噪聲的特點,導(dǎo)致傳動部件早期的微弱損傷容易被忽視,當(dāng)檢測到異常時,傳動部件往往已嚴(yán)重?fù)p傷。因此,本書以機(jī)電裝備中的機(jī)械傳動部件為研究對象,結(jié)合信號處理、流形學(xué)習(xí)和深度學(xué)習(xí)等理論方法,研究故障診斷、狀態(tài)監(jiān)測與性能退化評估方法。
本書共分9章,主要內(nèi)容如下。
第1章: 針對機(jī)電裝備中機(jī)械傳動部件的故障診斷問題,在緒論中闡明了本書研究的背景與意義,并分析了當(dāng)前國內(nèi)外在機(jī)械故障診斷領(lǐng)域研究的熱點以及部分診斷方法的不足。
第2章: 分析機(jī)電裝備中典型傳動部件如軸承、齒輪、軸的振動機(jī)理以及故障特征,為基于數(shù)據(jù)驅(qū)動的故障診斷奠定了理論基礎(chǔ)。
第3章: 介紹機(jī)械故障診斷領(lǐng)域常用的故障特征構(gòu)造方法,包括時域特征、頻域特征、時頻域特征,以及基于小波分析、經(jīng)驗?zāi)B(tài)分解的多尺度特征構(gòu)造方法。為獲取敏感判別性強(qiáng)的特征,闡述了常用的特征選擇方法,以及基于流形學(xué)習(xí)和深度學(xué)習(xí)的非線性特征提取方法,為故障診斷、狀態(tài)監(jiān)測與性能退化評估提供技術(shù)支撐。
第4章: 論述基于Teager能量譜多尺度信號分解的故障診斷方法。針對應(yīng)用集合經(jīng)驗?zāi)B(tài)分解方法難以提取強(qiáng)噪聲背景下滾動軸承微弱故障特征的問題,提出將最小熵反褶積和小波閾值去噪與EEMD結(jié)合的改進(jìn)方法。采用最小熵反褶積對滾動軸承振動信號降噪,增強(qiáng)沖擊特征; 然后利用基于EEMD的小波閾值去噪方法處理降噪后信號得到一組固有模態(tài)分量,并依據(jù)相關(guān)系數(shù)準(zhǔn)則剔除虛假分量; 對重構(gòu)信號進(jìn)行Teager能量算子解調(diào)分析,提取其微弱故障特征。
第5章: 討論基于雙樹復(fù)小波包主流形重構(gòu)的故障診斷方法。針對采集的機(jī)電裝備振動信號具有非線性、非平穩(wěn)性和噪聲干擾的特點,提出基于雙樹復(fù)小波包主流形重構(gòu)的去噪方法,凸顯典型譜特征進(jìn)行診斷。
第6章: 介紹基于自適應(yīng)流形學(xué)習(xí)的故障診斷方法。該方法的特征是可反映裝備狀態(tài)的指標(biāo),針對敏感特征選擇方法存在去除有用信息、健壯性和通用性不強(qiáng)等不足,采用局部切空間排列流形學(xué)習(xí)方法進(jìn)行特征的非線性融合,以挖掘原始振動信號中的本質(zhì)信息。但局部切空間排列算法中鄰域圖的近鄰參數(shù)難以合理選擇,動態(tài)增加的數(shù)據(jù)影響算法的計算效率。為此,分別提出了自適應(yīng)鄰域參數(shù)選擇的局部切空間排列算法和增量式監(jiān)督局部切空間排列算法。
第7章: 闡述基于深度卷積變分自編碼的故障診斷方法。針對轉(zhuǎn)速和負(fù)載變化情況下的故障診斷,采用一般機(jī)器學(xué)習(xí)的診斷方法難以自動適應(yīng)工況變化的影響。深度學(xué)習(xí)可利用網(wǎng)絡(luò)深度優(yōu)勢挖掘更強(qiáng)健壯性的特征,基于自編碼和卷積神經(jīng)網(wǎng)絡(luò)理論,提出一種深度卷積變分自編碼網(wǎng)絡(luò)。針對小樣本有標(biāo)簽信息的故障診斷和大樣本無標(biāo)簽信息的故障診斷,利用遷移學(xué)習(xí)理論,提出基于小樣本的監(jiān)督模型遷移和基于標(biāo)簽傳遞的無監(jiān)督模型遷移。結(jié)合多傳感器能多角度反映機(jī)械傳動部件的狀態(tài),相較于單傳感器的故障診斷,多傳感器多模型的選擇性集成學(xué)習(xí)更能多方位表征傳動部件的狀態(tài),為平衡模型的差異性和準(zhǔn)確度進(jìn)行模型選擇,提出基于多傳感器多模型的選擇性集成學(xué)習(xí)模型,以提升模型診斷性能。
第8章: 介紹基于流形特征增強(qiáng)的狀態(tài)監(jiān)測與性能退化評估方法。監(jiān)測指標(biāo)和監(jiān)測模型是狀態(tài)監(jiān)測的核心,針對能保持?jǐn)?shù)據(jù)結(jié)構(gòu)全局特性或者局部結(jié)構(gòu)特性的流形學(xué)習(xí)方法分別構(gòu)造監(jiān)測模型,在一定程度上損失了部分?jǐn)?shù)據(jù)信息,并不能全面地反映數(shù)據(jù)中潛在結(jié)構(gòu)的敏感性,影響監(jiān)測指標(biāo)的靈敏度。為此,綜合優(yōu)化樣本局部和全局結(jié)構(gòu)關(guān)系,提出了非局部核正交保持嵌入算法,為改善參數(shù)選擇依賴人工經(jīng)驗的不足,提出了自適應(yīng)k參數(shù)非局部核正交保持投影算法。
第9章: 總結(jié)與展望。歸納總結(jié)本書的研究內(nèi)容和成果,對存在的問題、研究的不足以及本書后續(xù)的研究進(jìn)行展望。
由于本書作者水平和學(xué)識有限,書中難免存在不足之處,懇請廣大讀者批評與指正。
作者
2020年2月
目錄
第1章緒論
1.1背景概述
1.2智能診斷方法研究現(xiàn)狀
1.2.1基于非平穩(wěn)信號去噪的故障診斷方法
1.2.2基于流形學(xué)習(xí)的故障診斷方法
1.2.3基于深度學(xué)習(xí)的故障診斷方法
1.2.4決策融合診斷方法
1.2.5狀態(tài)監(jiān)測與性能退化評估方法
第2章滾動軸承與齒輪振動機(jī)理與故障特征分析
2.1引言
2.2滾動軸承振動機(jī)理與故障特征分析
2.2.1滾動軸承振動機(jī)理及類型
2.2.2滾動軸承特征頻率計算
2.2.3滾動軸承故障振動數(shù)學(xué)模型
2.2.4滾動軸承振動信號特性分析
2.2.5滾動軸承損傷故障的包絡(luò)譜特征
2.3齒輪振動機(jī)理與故障特征分析
2.3.1齒輪振動機(jī)理
2.3.2齒輪故障振動數(shù)學(xué)模型
2.3.3齒輪故障的邊頻帶特征和包絡(luò)譜特征
2.4軸振動機(jī)理與故障特征分析
2.4.1軸振動機(jī)理
2.4.2軸振動故障特征
第3章振動信號特征提取
3.1引言
3.2多域特征構(gòu)造方法
3.2.1時域特征
3.2.2頻域特征
3.2.3時頻域特征
3.3多尺度特征提取方法
3.3.1小波分析
3.3.2經(jīng)驗?zāi)B(tài)分解
3.4特征選擇方法
3.5基于流形學(xué)習(xí)的特征提取方法
3.5.1最大方差展開
3.5.2局部線性嵌入
3.6基于深度學(xué)習(xí)的特征提取方法
3.6.1深度自動編碼器
3.6.2深度信念網(wǎng)絡(luò)
3.6.3卷積神經(jīng)網(wǎng)絡(luò)
3.6.4長短時記憶神經(jīng)網(wǎng)絡(luò)
第4章基于Teager能量譜多尺度信號分解的故障診斷方法
4.1引言
4.2集成經(jīng)驗?zāi)B(tài)分解
4.2.1EEMD基本原理
4.2.2本征模函數(shù)的選擇
4.2.3IMF分量閾值去噪
4.3最小熵解卷積
4.3.1基本概念
4.3.2實現(xiàn)方法
4.4Teager能量算子解調(diào)
4.4.1能量算子
4.4.2能量算子解調(diào)
4.5基于多尺度信號分析的故障診斷
4.5.1診斷流程
4.5.2實驗與分析
第5章基于雙樹復(fù)小波包主流形重構(gòu)的故障診斷方法
5.1引言
5.2雙樹復(fù)小波包變換
5.2.1雙樹復(fù)小波包變換基本原理
5.2.2雙樹復(fù)小波包變換頻帶錯位與重疊缺陷分析
5.2.3雙樹復(fù)小包變換缺陷的改進(jìn)
5.3基于雙樹復(fù)小波包主流形重構(gòu)的去噪方法
5.3.1閾值量化處理
5.3.2雙樹復(fù)小波包閾值去噪準(zhǔn)則
5.3.3t分布隨機(jī)近鄰嵌入算法
5.3.4主流形重構(gòu)
5.3.5基于雙樹復(fù)小波包主流形重構(gòu)的去噪流程
5.4基于雙樹復(fù)小波包主流形重構(gòu)的故障診斷
5.4.1故障診斷流程
5.4.2實驗與分析
第6章基于自適應(yīng)流形學(xué)習(xí)的故障診斷方法
6.1引言
6.2多域特征提取方法
6.2.1故障特征
6.2.2故障特征選擇方法
6.3自適應(yīng)鄰域參數(shù)選擇的局部切空間排列算法
6.3.1局部切空間排列算法
6.3.2自適應(yīng)鄰域參數(shù)的選擇
6.3.3實驗與分析
6.4增量式監(jiān)督局部切空間排列算法
6.4.1監(jiān)督局部切空間排列算法
6.4.2增量式局部切空間排列算法
6.4.3增量式監(jiān)督局部切空間排列算法步驟
6.4.4實驗與分析
第7章基于深度卷積變分自動編碼的故障診斷方法
7.1引言
7.2基于深度卷積變分自動編碼的故障診斷
7.2.1變分自動編碼理論
7.2.2深度卷積變分自動編碼網(wǎng)絡(luò)結(jié)構(gòu)
7.2.3基于DCVAEN的故障診斷流程
7.2.4實驗與分析
7.3基于遷移學(xué)習(xí)深度卷積變分自動編碼的故障診斷
7.3.1基于小樣本的監(jiān)督模型遷移
7.3.2基于標(biāo)簽傳遞的無監(jiān)督模型遷移
7.4基于選擇性集成學(xué)習(xí)的深度卷積變分自動編碼的故障診斷
7.4.1構(gòu)建模型
7.4.2選擇性集成學(xué)習(xí)方法流程
7.4.3實驗與分析
第8章基于流形特征增強(qiáng)的狀態(tài)監(jiān)測與性能退化評估方法
8.1引言
8.2典型狀態(tài)監(jiān)測與性能退化評估方法
8.2.1核主成分分析
8.2.2局部保持投影算法
8.2.3正交鄰域保持嵌入算法
8.3非局部核正交保持嵌入算法
8.3.1目標(biāo)函數(shù)
8.3.2基于NLKOPE算法的狀態(tài)監(jiān)測與性能退化評估
8.4自適應(yīng)k參數(shù)非局部核正交保持投影算法
8.4.1目標(biāo)函數(shù)
8.4.2基于AkNLKOPP算法的狀態(tài)監(jiān)測與性能退化評估
8.5實驗與分析
8.5.1故障檢測
8.5.2降維效果評估
8.5.3軸承性能退化評估
第9章總結(jié)與展望
9.1全書內(nèi)容總結(jié)
9.2展望
參考文獻(xiàn)