中圖分類號： 論文編號： 1028707 08科分類號： 082304 密 級：公開 碩士學位論文 轉子故障智能診斷中的特征提取與選擇技術研究 研究生姓名 鄧 堰 學科、專業(yè) 載運工具運用工程 研究方向 智能診斷與專家系統(tǒng) 指導教師 陳 果 副教授 南京航空航天大學 研究生院 民航學院 二 八 年一月 A of 008 承 諾 書 本人鄭重聲明：所呈交的學位論文，是本人在導師指導下，獨立進行研究工作所取得的成果。盡我所知，除文中已經注明引用的內容外，本學位論文的研究成果不包含任何他人享有著作權的內容。對本論文所涉及的研究工作做出貢獻的其他個人和集體，均已在文中以明確方式標明。 本人授權南京航空航天大學可以有權保留送交論文的復印件，允許論文被查閱和借閱 ,可以將學位論文的全部或部分內容編入有關數(shù)據庫進行檢索，可以采用影印、縮印或其他復制手段保存論文。 作者簽名： 日 期 ： _ 南京航空航天大學碩士論文 I 摘要 航空發(fā)動機故障診斷的重要意義在于：一方面，它可以迅速而準確地確定故障部位及故障嚴重程度，有利于確保飛行安全以及減少投入維修的人力、物力，縮短飛行器的停飛時間，提高飛行器的利用率；另一方面，它又是實現(xiàn)先進的維修思想和維修方式的必要手段與前提條件。本文基于現(xiàn)代設備故障診斷技術，對航空發(fā)動機的 3類轉子故障（不平衡、碰摩和油膜渦動）進行了特征提取與選擇，并運用結構自適應集成神經網絡實現(xiàn)了這四類轉子故障的智能診斷。 第一，本文研究了故障特征的提取技術。針對旋轉機械的振動信號，首先提取了傳 統(tǒng)的頻譜特征，構建了由各個分頻和倍頻組成的特征向量；其次，利用小波分析技術，研究了基于多分辨率分析和連續(xù)小波分析理論的轉子故障信號特征提取技術，提出了一種基于小波多尺度空間能量特征的自動提取方法，以及一種基于連續(xù)小波變換的尺度譜圖像紋理特征提取技術。并用算例驗證了方法的正確有效性。 第二，針對提取出來的眾多故障信號特征，研究了基于遺傳算法的特征選擇技術。由于適應度對遺傳算法的影響很大，本文提出了 4種適應度構造方法，即改進的距離判據適應度函數(shù)、平均值方差適應度函數(shù)、 類法的適應度函數(shù)。最后，通過仿真實例對方法進行了驗證，表明了本文提出的遺傳算法特征選擇技術的可行性。 第三， 利用 得了不同轉速下的 3類轉子故障數(shù)據樣本共 95個，其中不平衡樣本 26個，碰摩樣本 29個，油膜渦動樣本 40個。首先運用傳統(tǒng)的頻譜特征提取方法，小波能量特征自動提取方法，以及連續(xù)小波尺度譜圖像紋理特征提取方法，分別提取了 17個頻譜特征， 10個小波能量特征和 20個連續(xù)小波尺度譜圖像紋理特征。其次，用所提出的基于遺傳算法的特征選擇方法對這些特征進行選擇優(yōu)化，去除與分類不相關的冗余 特征。最后，構建結構自適應集成神經網絡對優(yōu)化后的特征進行智能診斷，結果充分證明了本文提出的特征提取方法和選擇在轉子故障診斷中的的合理性與有效性。 關鍵詞：轉子 ； 智能診斷 ； 特征提取 ； 特征選擇 ； 小波分析 ； 遺傳算法 ； 神經網絡。 轉子故障智能診斷中的特征提取與選擇技術研究 he of it of it is of in of of it is In on of we in NN to in we of s we we to s on an in of on we to we of on os in we is on we by an on is we to 95 6 29 0 we to 7 10 0 we A to At we N, 京航空航天大學碩士論文 to of in 轉子故障智能診斷中的特征提取與選擇技術研究 錄 第一章 緒論 . 1 空發(fā)動機故障診斷現(xiàn)狀 . 1 代設備故障診斷技術 . 2 障特征提取研究現(xiàn)狀 . 4 征選擇研究現(xiàn)狀 . 6 征選擇在模式識別和故障診斷的意義 . 6 征選擇在模式識別和故障診斷的研究現(xiàn)狀 . 6 障智能診斷研究現(xiàn)狀 . 7 文研究的主要內容 . 8 第二章 故障特征提取技術研究 . 10 障特征提取對故障診斷的意義 . 10 譜特征提取方法 . 10 譜分析原理 . 10 取轉子故障信號的頻譜特征 . 12 波分析特征提取方法 . 15 波分析理論 . 15 續(xù)小波 變換 . 15 分辨率分析與正交小波變換 . 20 種轉子故障信號的小波能量特征自動提取方法 . 22 于小波變換的多尺度空間能量分布特征提取 . 23 速和采樣頻率對能量特征的影響分析 . 24 于尺度變換的能量特征提取新方法 . 25 續(xù)小波尺度譜圖像紋理特征提取 . 27 子故障仿真分析 . 27 度譜數(shù)字紋理特征提取 . 29 結 . 30 第三章 基于遺傳算法的特征選擇技術研究 . 32 本遺傳算法 . 32 本遺傳算法的構成要素 . 33 本遺傳算法的一般框架 . 34 傳算法的基本實現(xiàn)技術 . 35 南京航空航天大學碩士論文 V 碼方法 . 35 應度函數(shù) . 37 擇算子 . 37 叉算子 . 38 異算子 . 39 于遺傳算法的特征選擇方法 . 40 傳算法特征選取基本原理 . 40 征選特征評價標準 . 41 種新的遺傳算法特征選取適應度函數(shù) . 41 于改進的距離判據適應度函數(shù) . 41 于平均值方差的適應度函數(shù) . 42 于 則的適應度函數(shù) . 44 于最近鄰分 類法的適應度函數(shù) . 46 傳算法特征選取的仿真實例分析 . 47 真樣本 . 47 構自 適應神經網絡分類器 . 48 真樣本的特征對分類結果的影響分析 . 48 同適應度函數(shù)下的特征選取實驗 . 49 結 . 57 第四章 特征提取與選擇在轉子故障診斷中的應用研究 . 58 子常見故障的特征 . 58 子不平衡 . 58 子不對中 . 58 靜碰摩 . 59 膜渦動及油膜振蕩 . 60 子故障模擬試驗臺及動態(tài)信號測試設備介紹 . 60 功能故障模擬實驗臺 . 60 據采集及分析系統(tǒng) . 61 子故障特征提取、選擇與智能診斷實驗研究 . 63 結構自適應集成神經網絡實現(xiàn)多類故障的辨識 . 63 譜特征 在轉子故障診斷中的應用 . 65 取轉子故障信號的頻譜特征 . 65 提取的頻譜特征進行智能診斷 . 65 波頻帶能量特征自動提取新方法在轉子故障診斷中的應用 . 66 轉子故障智能診斷中的特征提取與選擇技術研究 用小波特征提取的新方法提取轉子故障信號的能量特征 . 66 提取的小波頻帶能量特征進行特征選擇并進行智能診斷 . 66 于連續(xù)小波尺度譜圖像紋理特征的智能診斷實驗 . 67 取轉子故障信號的連續(xù)小波尺度譜圖像紋理特征 . 67 提取的連續(xù)小波尺度譜圖像紋理特征的智能診斷結果 . 69 結 . 70 第五章 結論與展望 . 71 論 . 71 望 . 71 參考文獻 . 73 致謝 . 78 在碩士期間發(fā)表的論文 . 79 附錄 1 轉子故障信號的頻譜特征（前 9 位特征） . 80 附錄 2 轉子故障信號的頻譜特征（后 8 位特征） . 83 附錄 3 轉子故障信號的多尺度小波能量特征（ 10 個特征） . 86 附錄 4 轉子故障信號連續(xù)小波尺度譜圖像紋理特征（前 10 個） . 89 附錄 5 轉子故障信號連續(xù)小波尺度譜圖像紋理特征（后 10 個） . 92 南京航空航天大學碩士論文 表清單 圖 障診斷過程方框圖 3 圖 值譜 11 圖 次譜 11 圖 大型發(fā)動機振動功率譜 12 圖 平衡模擬信號 13 圖 對 中模擬信號 14 圖 膜渦動模擬信號 14 圖 摩模擬信號 14 圖 間 00），時間窗會自動變窄；當檢測低頻信息時（即對于大的 a0） ，時間窗會自動變寬。從而使小波分析具有 “數(shù)學顯微鏡 ”的美譽 49。 （ 2） 連續(xù)小波變換的尺度譜 與相位譜 50 從公式 (以得知小波變換并不會丟失任何信息，能量在變換中守恒。因此，方程 (合理的。 (根據式 (們 定義 2|);,(| 波尺度譜被廣泛地用于非穩(wěn)定信號的分析，并且可以看作是連續(xù)相關帶寬的頻譜。 小波相位譜有如下定義： (利用 具箱中 數(shù)可以直接計算出這些系數(shù)并用圖像表示出來。 本文應用 波， 它是一類復 小波 ，是由式 (義 的 ： (式中，參數(shù) 帶寬參數(shù)； 小波中心頻率。 圖 帶寬為 1，中心頻率為 的小波函數(shù)的實部和虛部、*22 *11 1*a 2*a t 0 圖 間 02旋轉機械振動信號中，通常要求最高分析頻率 0則要求 0將對原始信號的采樣間隔定為ns ，則對原始信號的采樣頻率 /，按式 (定的 可 得， 0然重采樣不會導致信號失真。 為了驗證該方法的有效性，對于前面的仿真算例，根據上面分析，因此，本文按式 (取 原始信號統(tǒng)一按以使得采樣后的信號不失真；小波分解層數(shù)可以由式 (定，即小波分析需要分解到 0 ( m ，因此，確定小波分解層數(shù)為 8層，所得到的結果如表 表 了轉速和采樣頻率對頻帶能量特征的影響，即同一故障，在不同的轉速和采樣頻率下，得到了相同的頻帶能量特征。顯然，通過該方法的處理，所提取的特征反映了故障的本質規(guī)律，因此，可以應用于實際的故障診斷中。 表 用新方法提取的能量特征分布比較（采樣間隔 轉速 50100 ) 25 50 ) 5 ) ) ) ) ) ) 0 ) 2/1(lo g 2 南京航空航天大學碩士論文 27 表 用新方法提取的能量特征分布比較（轉速 n=2000 續(xù)小波尺度譜圖像紋理特征提取 文獻 38中 研究了基于連續(xù)小波變換的碰摩轉子特征提取，利用尺度譜，發(fā)現(xiàn)了輕度碰摩和嚴重碰摩故障在尺度譜上所表現(xiàn)出的差異，并以此作為碰摩故障診斷的產生。但是，該文獻的研究并未從尺度譜上得到數(shù)字特征，僅僅通過人為觀察來對故障進行識別，顯然無法實現(xiàn)特征的自動提取和碰摩故障的智能診斷。本節(jié)基于文獻 50的研究，通過引入圖像分析和處理方法 61， 62，對四類 仿真故障 尺度譜圖像 提取 其 20個紋理特征 。 子故障仿真分析 為了分析連續(xù)小波尺度譜對轉子故障診斷的有效性，本文首先用仿真算例來研究。設轉子轉速為 n (r/根據振動機理分析可知，系統(tǒng)為不平衡故障時，系統(tǒng)響應為單一的旋轉頻率，為不對中故障時，響應以 2倍、 4倍及其 他偶數(shù)次諧波成分為主；為油膜渦動時，響應以 頻率為主；為碰摩故障時，將出現(xiàn)2 倍、 3 倍等高次諧波成分。因此，可以模擬不平衡、不對中、油膜渦動及碰摩故障，即 (n=1000n=2000n=5000始信號采樣間隔 50100 ) 25 50 ) 5 ) ) ) ) ) ) 0 ) 2n) ( 42s i n ( 22s i n 2s i n 2s (0 轉子故障智能診斷中的特征提取與選擇技術研究 28 x 0 1 2 3 4 5 0 1.0 t/s x 倍頻 t/s 倍頻（ a）時間波形 （ b）頻譜 （ c）尺度譜 圖 平衡模擬信號 x t/s x 倍頻 0 1 2 3 4 5 0 1.0 t/s 倍頻（ a）時間波形 （ b）頻譜 （ c）尺度譜 圖 膜渦動模擬信號 x t/s x 倍頻 0 1.0 t/s 倍頻（ a）時間波形 （ b）頻譜 （ c）尺度譜 圖 摩模擬信號 0 1 2 3 4 5 x t/s x 倍頻 0 1.0 t/s （ a）時間波形 （ b）頻譜 （ c）尺度譜 圖 對中模擬信號 倍頻0 1 2 3 4 5 (圖 圖 別為模 擬故障信號的時間波形、頻譜及進行連續(xù)小波分析所得到的尺度譜。其中，轉速 n=3000r/0從尺度譜上可以清楚地觀察出各種轉子故障所表現(xiàn)的特征差別。與頻譜圖相比，尺度譜不僅能夠表現(xiàn)出頻率特征而且還表現(xiàn)了出現(xiàn)該頻率的時間區(qū)域。因此充分反映信號的時頻特征。但是，尺度譜的特征如果僅僅依靠人為觀察，則不僅無法實現(xiàn)自動計算，而且?guī)? ( 42s i n ( 32s i n ( 22s i n 2s i n 南京航空航天大學碩士論文 29 有很強的主觀性。因此，有必要對尺度譜進行數(shù)字特征提取研究。 度譜數(shù)字紋理特征提取 事實上，尺度譜可以看作一典型的圖像，尺度譜上所表現(xiàn)的各故障特征差異主要體 現(xiàn)在尺度譜上的圖像紋理特征，因此，可以考慮提取尺度譜圖像的紋理特征來作為尺度譜的數(shù)字特征，通常采用圖像的灰度共生矩陣來提取表面紋理特征參數(shù)。 將圖像 ),( 灰度歸并，其最高灰度為 記 ,2,1L ，,2,1 L 及 ,2,1 。因此，可以將待分析的圖像 ),( 解為從 G 的一個變換，也就是說對 的每一點，對 應一個屬于 G 的灰度。定義方向 ，間隔為 d 的灰度共生矩陣為： ),( 矩陣 p( i, j, d, )的第 i 行 j 列元素表示所有 方向，相鄰間隔為 d 的像素中有一個取 i 值，另一個取 i 值的相鄰對點數(shù)。對灰度共生矩陣作正規(guī)化處理： (這里 (對灰度共生矩陣正規(guī)化處理后，可以得到以下幾個重要的紋理特征： （ 1） 角二階矩： (（ 2）對比度： (（ 3）相關： (式中 : x， x 分別是 px(i); i=1,2, 均值和均方差 y， y 分別是 py(i); i=1, 2, , 均值和均方差 其中 : （ 4）方差 g 21 ),( 11 1 122 ),(g g g /),(1 13 g 24 ),()( ),(),( j 1 ,2,1),()(,2,1),()( ),1)(1(290,1 ),1(245,1 ),1)(1(20,1 ),1(230 (式中， 是 ),( 均值。 （ 5）逆差矩 (顯然，上述特征，對于不同的間距 d 和方向 將得到不同的值，通常設 d =1， 為 0、 45、 90、 135，因此，對每一特征 i=1,2,5 ），可以得到不同方向的 4 個值。 表 針對上面四個轉子故障仿真數(shù)據，通過連續(xù)小波變換后得到尺度譜，再對尺度譜提取數(shù)字紋理特征的結果。從表 可以看出，尺 度譜紋理特征反映了各種故障的差異。顯然，可以將其作為轉子故障診斷的特征向量。 表 真故障數(shù)據的尺度譜數(shù)字特征計算結果 仿真 故障 角二階矩 對比度 相關 0 45 90 135 0 45 90 135 0 45 不平衡 對中 摩 膜渦動 真 故障 相關 方差 逆差矩 90 135 0 45 90 135 0 45 90 135 不平衡 對中 摩 膜渦動 結 本章針對轉子故障信號，研究了故障特征提取技術。首先，提取了 17 個傳統(tǒng)的頻譜特征 （ 1， 2，3， 4， 5， 6， 7， 8， 9， 10） ；其次， 研究了基于多分辨率分析的轉子故障信號特征提取技術，提出了一種基于小波多尺度空間能量特征的自動提取方法，消除了采樣頻率和轉速對特征分布的影響，給出了確定小波分解層數(shù)的依據， g 25),()(1 1南京航空航天大學碩士論文 31 使得該方法能更有效地應用到實際中；最后，研究了基于連續(xù)小波分析理 論的轉子故障信號特征提取技術，提出了一種基于連續(xù)小波變換的尺度譜圖像紋理特征提取 方法 ， 并提取了轉子故障信號的 20個連續(xù)小波尺度譜圖像紋理特征。 轉子故障智能診斷中的特征提取與選擇技術研究 32 第 三 章 基于遺傳算法的特征選擇技術研究 遺傳算法（ 源于 20世紀 60年代，它 模擬了達爾文的“適者生存 , 優(yōu)勝劣汰”的自然進化論與孟德爾的遺傳變異理論 。 1965 年，學 授提出了人工遺傳操作的重要性，并把這些應用于