中圖分類號(hào)： 論文編號(hào)： 1028707 10科分類號(hào)： 082304 碩士學(xué)位論文 轉(zhuǎn)子故障的小波尺度譜數(shù)字特征提取與診斷技術(shù)研究 研究生姓名 孫麗萍 學(xué)科、專業(yè) 安全技術(shù)及工程 研究方向 航空器運(yùn)行安全技術(shù)及工程 指導(dǎo)教師 陳 果 教授 南京航空航天大學(xué) 研究生院 民航 學(xué)院 二 一 年 一 月 of 2010 承 諾 書 本人鄭重聲明： 所呈交的學(xué)位論文，是本人在導(dǎo)師指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的成果。盡我所知，除文中已經(jīng)注明引用的內(nèi)容外，本學(xué)位論文的研究成果不包含任何他人享有著作權(quán)的內(nèi)容。對(duì)本論文所涉及的研究工作做出貢獻(xiàn)的其他個(gè)人和集體，均已在文中以明確方式標(biāo)明。 本人授權(quán)南京航空航天大學(xué)可以有權(quán)保留送交論文的復(fù)印件，允許論文被查閱和借閱 ,可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或其他復(fù)制手段保存論文。 (保密的學(xué)位論文在解密后適用本承諾書 ) 作者簽名： 日 期： 南京航空航天大學(xué)碩士學(xué)位論文 I 摘 要 振動(dòng)信號(hào)是旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)與故障診斷的基本信息來(lái)源， 而這些信號(hào)通常為非線性、非高斯的非平穩(wěn)信號(hào)。通過(guò)小波變換所得的 故障信號(hào)的小波尺度譜 ,其紋理分布及灰度變化能夠較好的反映出故障的非平穩(wěn)特征，對(duì)其進(jìn)行特征提取并應(yīng)用于故障診斷中，有利于轉(zhuǎn)子故障的 智能診斷 。目前提出的小波尺度譜特征提取的方法主要有基于小波系數(shù)矩陣的一階灰度矩向量以及尺度譜紋理特征。上述兩種尺度譜特征提取的方法， 從圖像像素的 二階 統(tǒng)計(jì)特性方面對(duì)故障特征進(jìn)行了描述 ，提取了較好的故障特征，但 未對(duì)故障的非 線性特征進(jìn)行相應(yīng)的分析 ，忽略了圖像中的高階統(tǒng)計(jì)信息。針對(duì)上述問(wèn)題，本文提出了利用核主成分分析（ 尺度譜圖像進(jìn)行特征的提取，并利用參數(shù)自適應(yīng)支持向量機(jī)模型對(duì)提取的尺度譜特征進(jìn)分類，結(jié)果表明了該方法對(duì)尺度譜特征提取的有效性。 第一，闡述了連續(xù)小波變換的基本原理，小波基函數(shù)的性質(zhì)和本文中選擇小波基函數(shù)的依據(jù)。分析和研究了轉(zhuǎn)子不平衡、不對(duì)中、碰摩及油膜渦動(dòng)等四類典型轉(zhuǎn)子故障的故障機(jī)理、頻譜特征和相應(yīng)的尺度譜圖像特征。 第二，對(duì)尺度譜的一階灰度矩向量、尺度譜紋理特征的提取方法進(jìn)行了 介紹 。 研究 了核方法的 基本原 理 以及 幾種常用的典型核函數(shù) ，介紹了主成分分析（ 基本方法和原理， 并將核方法與 法結(jié)合， 提出了 基于核主成分分析 ( 小波尺度譜特征提取 方法 。 利用 功能轉(zhuǎn)子故障模擬實(shí)驗(yàn)系統(tǒng)、航空發(fā)動(dòng)機(jī)轉(zhuǎn)子故障實(shí)驗(yàn)器對(duì)上述四類故障進(jìn)行數(shù)據(jù)模擬 和采集 。提取了上述故障樣本的 小波 尺度譜 圖像 特征 ， 并對(duì)所得的特征數(shù)據(jù)進(jìn)行了分析研究。 第三 ，研究了支持向量機(jī)分類模型的原理和其在學(xué)習(xí)分類中的優(yōu)越性。針對(duì)目前支持向量機(jī)模型參數(shù)的確定尚無(wú)標(biāo)準(zhǔn)的方法，研究了核函數(shù)參數(shù) 及支持向量機(jī)懲罰因子 C， 對(duì)模型分類效果的影響，并采 用遺傳算法對(duì)上述兩個(gè)參數(shù)進(jìn)行了優(yōu)化，構(gòu)造形成了參數(shù)自適應(yīng)的支持向量機(jī)模型。最后運(yùn)用該模型對(duì)所提取的尺度譜特征 進(jìn)行分類識(shí)別 。 實(shí)驗(yàn) 結(jié) 果 表明 ， 利用 的故障識(shí)別能力 ，通過(guò)該方法提取的特征可以有效的實(shí)現(xiàn) 轉(zhuǎn)子 故障的智能診斷。 關(guān)鍵詞： 特征提取， 核主成分分析，連續(xù)小波變換，小波尺度譜， 轉(zhuǎn)子 故障診斷，紋理特征，一階灰度矩，支持向量機(jī)。 轉(zhuǎn)子故障的小波尺度譜數(shù)字特征提取與診斷技術(shù)研究 of s of of If we to of be on of of do of of of In to on of at to we of of of we of of of as as of By we We to of of a 28 2 of of to of we in of 京航空航天大學(xué)碩士學(xué)位論文 of no to of we of of By we by we a to is of 1南京航空航天大學(xué)碩士學(xué)位論文 V 目 錄 第一章 緒論 . 1 題研究的背景及意義 . 1 轉(zhuǎn)機(jī)械故障診斷的研究現(xiàn)狀 . 2 子故障信號(hào)特征提取技術(shù)的研究現(xiàn)狀 . 3 代譜分析方法 . 3 階統(tǒng)計(jì)量分析方法 . 3 頻分析方法 . 4 元分析 (核主元分析（ 法 . 6 文的主要研究?jī)?nèi)容 . 7 第二章 典型轉(zhuǎn)子故障介紹及故障模擬實(shí)驗(yàn)系統(tǒng) . 8 種典型轉(zhuǎn)子故障 . 8 功能轉(zhuǎn)子故障模擬實(shí)驗(yàn)系統(tǒng)簡(jiǎn)介 . 11 轉(zhuǎn)子振動(dòng)實(shí)驗(yàn)臺(tái) . 11 據(jù)采集及分析系統(tǒng) . 11 轉(zhuǎn)子振動(dòng)實(shí)驗(yàn)臺(tái)故障實(shí)驗(yàn)方法簡(jiǎn)介 . 12 驗(yàn)數(shù)據(jù)分析 . 13 空發(fā)動(dòng)機(jī)轉(zhuǎn)子故障試驗(yàn)器簡(jiǎn)介 . 14 空發(fā)動(dòng)機(jī)轉(zhuǎn)子故障試驗(yàn)器 . 14 空發(fā)動(dòng)機(jī)轉(zhuǎn)子實(shí)驗(yàn)器碰摩故障實(shí)驗(yàn) . 15 驗(yàn)數(shù)據(jù)分析 . 16 章小結(jié) . 16 第三章 連續(xù)小波變換及小波尺度譜 . 17 續(xù)小波變換的基本原理 . 17 續(xù)小波的基本原理 . 17 波基函數(shù)的選擇 . 18 波尺度譜 . 20 波尺度譜的定義 . 20 波尺度譜在故障診斷中的應(yīng)用 . 22 型轉(zhuǎn)子故障及其尺度譜特征分析 . 23 轉(zhuǎn)子故障的小波尺度譜數(shù)字特征提取與診斷技術(shù)研究 波灰度矩特征的提取 . 25 特征提取的原理及方法 . 25 特征提取實(shí)驗(yàn) . 26 度譜紋理特征的提取 . 28 理特征提取的原理及方法 . 29 理特征提取實(shí)驗(yàn) . 30 章小結(jié) . 33 第四章 基于核主成分分析（ 尺度譜特征提取 . 34 主成分分析的應(yīng)用現(xiàn)狀 . 34 于核的主成分分析 . 35 方法簡(jiǎn)介 . 35 成分分析的基本原理 . 37 主成分分析（ 理 . 38 主成分分析（ 特點(diǎn) . 39 于 尺度譜圖像特征提取 . 40 法下尺度譜的特征提取的預(yù)處理 . 40 驗(yàn)驗(yàn)證 . 41 章小結(jié) . 47 第五章 基于尺度譜數(shù)字特征的轉(zhuǎn)子故障支持向量機(jī)診斷 . 48 計(jì)學(xué)習(xí)理論的基本內(nèi)容 . 48 持向量機(jī) . 49 持向量機(jī)的基本原理 . 49 持向量機(jī)分類器模型參數(shù)的影響分析 . 50 分類的 簡(jiǎn)單介紹 . 52 持向量機(jī)分類模型參數(shù)優(yōu)化的自適應(yīng)算法 . 53 數(shù)的編碼及解碼 . 53 應(yīng)度函數(shù)的 確定 . 53 傳算子及運(yùn)行參數(shù)的設(shè)定 . 54 法流程及實(shí)驗(yàn)驗(yàn)證 . 55 于參數(shù)自適應(yīng)支持向量機(jī)的尺 度譜特征分類 . 56 章小結(jié) . 58 第六章 總結(jié)及展望 . 59 南京航空航天大學(xué)碩士學(xué)位論文 結(jié) . 59 望 . 60 參考文獻(xiàn) . 61 致 謝 . 66 攻讀碩士期間所發(fā)表的論文 . 67 轉(zhuǎn)子故障的小波尺度譜數(shù)字特征提取與診斷技術(shù)研究 表清單 圖 9 圖 膜渦動(dòng)與油膜震蕩 10 圖 功能轉(zhuǎn)子模擬實(shí)驗(yàn)臺(tái) 11 圖 驗(yàn)裝置信號(hào)采集原理圖 12 圖 種故障的轉(zhuǎn)子響應(yīng)瀑布圖 13 圖 14 圖 空發(fā)動(dòng)機(jī)轉(zhuǎn)子實(shí)驗(yàn)器 14 圖 1 5 圖 15 圖 16 圖 間 1 8 圖 同尺度 a 下的 波的實(shí)部波形 19 圖 同尺度 a 下小波的頻譜 20 圖 真信號(hào)的波形、頻譜及尺度譜 21 圖 種故障信號(hào)的時(shí)域波形 23 圖 24 圖 24 圖 24 圖 25 圖 27 圖 32 圖 射 34 圖 4.2 p= 46 圖 05時(shí)四類故障的 征數(shù)據(jù)曲線 46 圖 49 圖 49 圖 類面隨 C， 的變化情況 52 圖 55 表 27 南京航空航天大學(xué)碩士學(xué)位論文 0 個(gè)樣本的一階平均灰度矩 27 表 31 表 0 個(gè)紋理特征的平均結(jié)果列表 32 表 42 表 43 表 43 表 四類故障 征數(shù)據(jù) 44 表 05時(shí)四類故障 45 表 對(duì)分類精度的影響 51 表 值對(duì)分類精度的影響 51 表 56 表 57 表 證結(jié)果列表 58 轉(zhuǎn)子故障的小波尺度譜數(shù)字特征提取與診斷技術(shù)研究 X 注釋表 )：模數(shù)轉(zhuǎn)換 快速傅立葉變換 ： 短時(shí)傅里葉變換 T)： 小波變換 連續(xù)小波變換 經(jīng)驗(yàn)?zāi)B(tài)分解 主成分分析 核主成分分析 獨(dú)立分量分析 ： 自回歸滑動(dòng)平均模型 ：自回歸模型 希爾伯特黃變換 本征模態(tài)函數(shù) 支持向量機(jī) 灰度共生矩陣 線性鑒別分析 R)：識(shí)別率 神經(jīng)網(wǎng)絡(luò) 徑向基函數(shù) ：基于小樣本問(wèn)題的統(tǒng)計(jì)學(xué)習(xí)理論 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則 南京航空航天大學(xué)碩士學(xué)位論文 1 第一章 緒論 題研究的背景及意義 旋轉(zhuǎn)機(jī)械是工業(yè)部門中應(yīng)用最為廣泛的一類機(jī)械設(shè)備，它的正常運(yùn)行直接影響到生產(chǎn)過(guò)程的安全、穩(wěn)定和可靠。隨著現(xiàn)代工業(yè)和科學(xué)技術(shù)的發(fā)展，旋轉(zhuǎn)機(jī)械正朝著大型化、高速化、連續(xù)化、集中化、自動(dòng)化方向發(fā)展。生產(chǎn)設(shè)備系統(tǒng)之間的聯(lián)系也越來(lái)越緊密。對(duì)旋轉(zhuǎn)機(jī)械高轉(zhuǎn)速、高效率的要求使旋轉(zhuǎn)機(jī)械長(zhǎng)期處于高速或高溫的運(yùn)行狀態(tài)，因此，旋轉(zhuǎn)機(jī)械故障發(fā)生頻率較高并且故障發(fā)生后 往往可能造成巨大經(jīng)濟(jì)損失甚至災(zāi)難性后果 1。旋轉(zhuǎn)機(jī)械故障診斷技術(shù)的研究和應(yīng)用能及早發(fā)現(xiàn)故障隱患，故障發(fā)生后也能及時(shí)準(zhǔn)確判別故障發(fā)生的原因、部位、嚴(yán)重程度及其發(fā)展趨勢(shì)，這對(duì)于避免巨額的經(jīng)濟(jì)損失和災(zāi)難性事故的發(fā)生有著重要意義。 國(guó)內(nèi)外的研究證實(shí)，振動(dòng)分析及建立在其之上的監(jiān)測(cè)、診斷技術(shù)，對(duì)于旋轉(zhuǎn)機(jī)械的結(jié)構(gòu)、強(qiáng)度故障的早期預(yù)報(bào)是行之有效的。這是因?yàn)榻Y(jié)構(gòu)的振動(dòng)特性在結(jié)構(gòu)完好狀態(tài)和故障狀態(tài)存在差異，這種差異便包含了故障的信息。通過(guò)對(duì)振動(dòng)信號(hào)進(jìn)行分析、處理，就能推斷出有關(guān)的故障是否存在及其進(jìn)一步的情況 2現(xiàn)今研 究較多的發(fā)動(dòng)機(jī)轉(zhuǎn)子部件的故障監(jiān)測(cè)就是通過(guò)對(duì)處于運(yùn)行中的部件進(jìn)行振動(dòng)信號(hào)測(cè)量，或者采用人工激勵(lì)振動(dòng)信號(hào)測(cè)量，并對(duì)所測(cè)到的信號(hào)進(jìn)行分析處理，將其特征參數(shù)與事先通過(guò)統(tǒng)計(jì)或預(yù)先測(cè)量、計(jì)算所得的標(biāo)準(zhǔn)參數(shù)進(jìn)行比較，根據(jù)參數(shù)間的關(guān)系，判斷部件的故障。 振動(dòng)信號(hào)是狀態(tài)監(jiān)測(cè)與故障診斷的基本信息來(lái)源，當(dāng) 故障發(fā)生或發(fā)展時(shí)會(huì)導(dǎo)致動(dòng)態(tài)信號(hào)非平穩(wěn)性的出現(xiàn)。非平穩(wěn)性是指信號(hào)的統(tǒng)計(jì)特性 5包括時(shí)域統(tǒng)計(jì)特性 (如均值、方差、偏斜度、峭度等 )和頻域特性 (如頻譜、功率譜、互譜等 )，與時(shí)間變化有關(guān)。而傳統(tǒng)的基于頻域的診斷方法對(duì)大量的非平穩(wěn)信 號(hào)的分析難于反映其局部性質(zhì) ,無(wú)法起到時(shí)頻定位作用。 因?yàn)?，基于換的信號(hào)頻域表示及其能量的頻域表示揭示了信號(hào)在頻域的 平均統(tǒng)計(jì) 特征，只能分析頻率不隨時(shí)間變化的平穩(wěn)信號(hào)。然而旋轉(zhuǎn)機(jī)械的故障信號(hào)為典型的非平穩(wěn)時(shí)變信號(hào)， 不同時(shí)刻的 故障 信號(hào)或頻譜特性直接反映 了旋轉(zhuǎn)機(jī)械的 不同 故障 狀態(tài) ,因此 時(shí)頻聯(lián)合分析 應(yīng) 是描述其特征的 更好的 工具 。 小波分析具有良好的時(shí)頻局部性、多尺度性和“數(shù)學(xué)顯微”特性能較好地解決非平穩(wěn)信號(hào)分析的問(wèn)題 10通過(guò)分析旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)的連續(xù)小波變換系數(shù)（尺度譜） ,從中提取特征 ,可以更好 地反映信號(hào)的本質(zhì) 12。通過(guò)小波變換，將對(duì)信號(hào)本身的處理轉(zhuǎn)化為對(duì)圖像的處理 ,觀察不同故障信號(hào)的尺度譜 ,會(huì)發(fā)現(xiàn)不同故障的尺度譜 特征 是有區(qū)別的 13，即： 通 過(guò)小波變換獲得的故障信號(hào)尺度譜能夠反應(yīng)出故障的類別和嚴(yán)重程度 ， 從中提取 故障 特征 ,進(jìn)行有效的分類，有利于對(duì)故障類型及故障的嚴(yán)重程度做出判斷。 轉(zhuǎn)子故障的小波尺度譜數(shù)字特征提取與診斷技術(shù)研究 2 轉(zhuǎn)機(jī)械故障診斷的研究現(xiàn)狀 從 20世紀(jì) 60年代初 ,美國(guó)率先開展機(jī)械設(shè)備故障診斷技術(shù)研究以來(lái) ,經(jīng)過(guò) 近 30 年 的發(fā)展 ，旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)和 故障診斷技術(shù) 獲得了 迅速的發(fā)展，至今己發(fā)展成為集數(shù)學(xué)、物理、力學(xué)、化學(xué)、電子技術(shù)、 計(jì)算機(jī)技術(shù)、信息處理、人工智能等各種現(xiàn)代科學(xué)技術(shù)于一體的新興交叉學(xué)科 1。 目前， 旋轉(zhuǎn)機(jī)械故障診斷技術(shù) 的 研究領(lǐng)域主要集中在以下幾個(gè) 方面 14 故障機(jī)理的研究 、故障信息處理技術(shù)的研究、 故障診斷 專家 系統(tǒng)的開發(fā)研究 。 （ 1） 故障機(jī)理的研究 故障機(jī)理的研究是 旋轉(zhuǎn)機(jī)械 故障診斷的客觀依據(jù)。轉(zhuǎn)子的異常或故障是在旋轉(zhuǎn)機(jī)械運(yùn)行中通過(guò)其狀態(tài)信號(hào)變化反映出來(lái)的。轉(zhuǎn)子故障機(jī)理的研究主要是從運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)的角度，建立合理的物理或數(shù)學(xué)模型，研究旋轉(zhuǎn)機(jī)械的故障原因和狀態(tài)效應(yīng)。它的目的是掌握轉(zhuǎn)子的故障形成和發(fā)展過(guò)程，了解其內(nèi)在的 本質(zhì)及其特征，為故障診斷和狀態(tài)監(jiān)測(cè)提供敏感參數(shù)及相關(guān)特征。 （ 2） 故障信息處理技術(shù)的研究 故障信息處理技術(shù)包括故障信號(hào)的檢測(cè)和分析處理兩部分，即利用先進(jìn)的信號(hào)采集和處理技術(shù)提取故障特征。信號(hào)的檢測(cè)主要是 對(duì)旋轉(zhuǎn)機(jī)械本身的工作參數(shù)、性能指標(biāo)、相關(guān)物理量等信息的信號(hào)進(jìn)行檢測(cè)和量化， 為信號(hào)分析處理提供數(shù)據(jù)。 它涉及到傳感器、數(shù)據(jù)預(yù)處理、 A/集工作站等硬件設(shè)備。 故障 信號(hào)的 分析 處理 是故障診斷的核心，它通過(guò)對(duì)原始信號(hào)分析、處理后提取故障特征信息，為模式識(shí)別和故障診斷服務(wù)。它直接關(guān)系到旋轉(zhuǎn)機(jī)械故障診斷的準(zhǔn)確性和旋 轉(zhuǎn)機(jī)械故障早期預(yù)報(bào)的可靠性。為了從根本上解決旋轉(zhuǎn)機(jī)械故障特征信息提取這個(gè)關(guān)鍵問(wèn)題，人們主要是借助信號(hào)處理的方法來(lái)進(jìn)行信號(hào)處理以提取旋轉(zhuǎn)機(jī)械信號(hào)故障特征。 （ 3） 故障診斷 及專家 系統(tǒng)的開發(fā)研究 故障征兆或特征信息的提取僅僅為設(shè)備的狀態(tài)提供了分析與診斷的依據(jù)，如何根據(jù)通過(guò)信號(hào)處理獲得的故障特征（故障征兆）找到故障原因，故障的種類并對(duì)故障部位作出判斷，已達(dá)到故障診斷的目的就是故障診斷技術(shù)要解決的問(wèn)題，也是整個(gè)故障診斷的核心。 故障識(shí)別技術(shù)是故障診斷的關(guān)鍵技術(shù)，是在故障信息檢測(cè)和故障特征分析的基礎(chǔ)上按一定的規(guī)律和標(biāo)準(zhǔn) 對(duì)機(jī)械設(shè)備發(fā)生故障的種類、原因和部位做出判斷和推斷，也就是故障源的分離與定位。 故障識(shí)別所參照的規(guī)律和標(biāo)準(zhǔn)一般都是借助于專家系統(tǒng)。專家系統(tǒng)，是人工智能的一個(gè)分支，它是一種典型的知識(shí)處理系統(tǒng)，它能獲取大量的專家診斷知識(shí)，利用專家的推理方法，解決故障診斷領(lǐng)域的問(wèn)題。 南京航空航天大學(xué)碩士學(xué)位論文 3 子故障信號(hào)特征提取技術(shù)的研究現(xiàn)狀 故障特征的提取又稱故障征兆的提取 ， 是故障診斷領(lǐng)域的關(guān)鍵技術(shù)之一。故障特征提取是否準(zhǔn)確、是否完備，直接影響故障診斷結(jié)論的準(zhǔn)確性。所謂特征提取，就是對(duì)系統(tǒng)的動(dòng)態(tài)信號(hào)預(yù)處理后得到的信息進(jìn)行分析，提取與系統(tǒng)狀態(tài)有關(guān) 的數(shù)據(jù)，分析這些數(shù)據(jù)，提取其中與系統(tǒng)狀態(tài)相關(guān)性較大的敏感特征，這樣一個(gè)過(guò)程就叫做特征提取。 當(dāng)旋轉(zhuǎn)機(jī)械發(fā)生故障時(shí) ，產(chǎn)生 的振動(dòng)信號(hào) 廣泛的帶有 非平穩(wěn)、非高斯和非線性的隨機(jī) 特性 ，利用 傳統(tǒng)的 建立在平穩(wěn)信號(hào)假設(shè)基礎(chǔ)上的 信號(hào)分析方法 無(wú)法提取其突變信號(hào)中反應(yīng)的故障特征，從而 嚴(yán)重影響了故障診斷的準(zhǔn)確性。 針對(duì)信號(hào)的非平穩(wěn)特性，人們研究了多種方法來(lái)提取其特征 2。目前 主要有現(xiàn)代譜分析、時(shí)頻分析方法 （ 短時(shí)傅氏變換 ( 二次型時(shí)頻分布 、小波變換 (經(jīng)驗(yàn)?zāi)B(tài)分解 ( ） 、主元分析 (獨(dú)立分量分析 (神經(jīng)網(wǎng)絡(luò)、模糊控制、高階統(tǒng)計(jì)量分析等。 代譜分析方法 利用給定的 N 個(gè)樣本數(shù)據(jù)估計(jì)一個(gè)平穩(wěn)隨機(jī)信號(hào)的功率譜密度叫做譜分析 16。譜分析方法分為兩大類 :非參數(shù)化方法和參數(shù)化方法。非參數(shù)化譜