【盲源分離技術在機械故障診斷中的應用3000字】

盲源分離技術在機械故障診斷中的應用目錄TOC\o"1-3"\h\u19252盲源分離技術在機械故障診斷中的應用 1175281.1機械故障診斷的必要性 173481.2盲源分離在機械故障診斷應用的發(fā)展現(xiàn)狀 11.1機械故障診斷的必要性隨著社會的快速發(fā)展，機械設備的功能越來越完善，系統(tǒng)結(jié)構(gòu)也越來越復雜。先進的現(xiàn)代化設備固然提高了生產(chǎn)率，但設備的安全性能也變得越來越高，復雜的工作關系使得任何部件或設備系統(tǒng)故障將產(chǎn)生重大影響，輕則閑置工廠和工人，重則導致機器停擺，一旦發(fā)生事故和危險，造成的損失將會更大。因此，監(jiān)測機械設備的運行狀態(tài)，并在故障發(fā)生時及時判斷故障是十分必要的。當今社會是以工業(yè)化生產(chǎn)為基礎的現(xiàn)代社會，機械設備是保障社會運轉(zhuǎn)和高生產(chǎn)力的組成要素。而隨著科技發(fā)展和日益迫切的生產(chǎn)力要求，機械設備的發(fā)展趨勢是裝備大型化、集成化、智能化，設備的組件越來越多，系統(tǒng)也越來越精密，這就導致工業(yè)生產(chǎn)環(huán)境極其復雜。現(xiàn)代機械系統(tǒng)有以下幾個特點：隨著機械系統(tǒng)功能的增加，各工作單元之間的關系越來越復雜，導致影響設備安全性能的因素越來越多;機械系統(tǒng)的結(jié)構(gòu)越來越復雜，規(guī)模越來越大，設備的成本越來越高;現(xiàn)代機械系統(tǒng)越來越趨向于系統(tǒng)的最終效率和速度，安全風險的數(shù)量也在增加。一旦發(fā)生機械故障，損失造成的連鎖效應是非常驚人的。現(xiàn)代機械系統(tǒng)在社會生產(chǎn)中地位越重要，其運行穩(wěn)定與否對社會的影響更加顯著。1.2盲源分離在機械故障診斷應用的發(fā)展現(xiàn)狀目前，國內(nèi)外最常用的故障診斷方法主要集中在無損診斷技術上，如機械裝備振動過程監(jiān)測與故障診斷技術、油液設備運行分析與故障診斷、倉儲溫度穩(wěn)定檢測與故障診斷等。最廣泛使用的診斷技術是利用傳感器，首先測量機械設備的振動參數(shù)，然后對數(shù)據(jù)在時域上進行波形分析，以此計算出設備振動的位移、速度、加速度、相位，然后通過振動頻譜分析技術，以及共振解調(diào)分析對信號進行分析和處理，獲得故障的頻譜信息，并確定故障的類型。在信號分析處理方面，我國已經(jīng)逐步引入了小波變換、短期傅里葉變換、頻譜分析等現(xiàn)代處理方法，但這些處理方法有很大的局限性，當信號特征為非線性、非平穩(wěn)時，這些方法就不能很好的發(fā)揮作用。因此，急需更加先進準確的信號處理方法來對機械設備進行運行監(jiān)測和故障診斷。在此大背景下，由于盲源分離(BSS)具有即便缺失先決條件的狀況下，也能從有限的觀測信號中分離出原始信號，因此掀起了研究的熱潮，并且現(xiàn)已取得的成果，在某系工況環(huán)境下的機械故障中，取得了不錯的效果。當然，盲源技術還存在很多未解決或者未完善的問題，尤其是一些復雜工況下，盲源分離的性能還需要提升。上世紀90年代，盲源分離算法首次大展身手，是在機械滾動軸承領域。Gaeta等人利用盲源分離算法，提取了來自多個傳感器收集的振動觀測信號，實現(xiàn)機械振動信號的提取，在窄信道中實現(xiàn)對兩個頻率相近的譜線進行分離。這一方法得到了其他學者的推廣。為了便于處理，張云在盲源分離中加入Hilbert-Huang變換，由此將觀測得到的機械信號的局部波形特征可以從時域變換到頻域，然后對觀測信號進行處理，實現(xiàn)了非平穩(wěn)機械信號的分離。DejieYu等人研究了齒輪故障時的振動情況，發(fā)現(xiàn)故障下信號能量在時頻平面上的分布與正常運行狀態(tài)時有很大差別，在這個基礎上，創(chuàng)新性的介紹了時頻熵的概念，通過判斷故障信號含有的能量的分布特征狀態(tài)，進行希爾伯特變換得到原始信號。在故障類型提取與分門類識別判斷方面，朱建渠等人提出利用諧波小波包分解的良好特性，步驟上先對各種故障信號實現(xiàn)多層分解，然后著重提取那些代表了各類故障的頻帶能量，并將能量作為故障種類的特征向量，最后拿著所得故障信號的特征向量，與提前建立的故障信息庫中的故障特征向量對比，把差別最小的作為所檢測信息的故障類型，從而提取了故障。伴隨著更加深入的研究，盲源分離算法在機械故障診斷中的應用范圍將越來越大。具體研究方向及相應的研究方法可以簡單歸納為以下幾個方面：（1）機械故障源盲分離研究AlexanderYpma等學者以旋轉(zhuǎn)的機械振動信號為對象，重點研究了與聲音信號的組合混疊模式，選取了二階和高階信息量的方法將其分離開來。還有學者，對ICA進行改進，突破了非線性的限制，加入自適應的要素，實現(xiàn)算法對齒輪故障的診斷功能。Gelle采集了兩臺電機的振動信號，從中分離出了軸承的故障信號，取得了不錯的效果。吳俊彪在所發(fā)表的論文中，其瞬間混疊模型的實驗方法減小了信號采集過程中對監(jiān)測信號的影響，消除了其他隨機信號的干擾。焦衛(wèi)東提出了一種根據(jù)PCA-ICA的無監(jiān)督盲源分離識別方法，解決了強擾動對瞬時混合模型中信號源分離影響較大的問題。鐘振茂主要利用音頻信號含有豐富的機械運行信息，開展了相關的機械故障盲分離研究。王宇建立了塊體模型，用盲反褶積方法，可以遙遠觀測機械故障的聲源信號。（2）機械故障特征提取的研究衛(wèi)東等研究了基于獨立分量分析和殘差互信息的多通道信息壓縮方法，并將ICA與小波法組合起來進行研究，在對泵軸承運行測量一系列信號的基礎上，來提取出被隱藏于觀測信號中的源信號的調(diào)制信息。特征矩陣的聯(lián)合近似對角化方法也是一個很好的算法，比如吳俊彪便利用jade法從觀測信號中分離出了機器運轉(zhuǎn)的源源信號和故障信號。葉宏賢針對高階多源機械振動的問題，將源信號處于卷積混合狀態(tài)的信號信息，進行了分離，從而開拓了機械振動中多源信號相卷積混合如何提取的問題。青永剛主要針對瞬態(tài)下的混合模型，采用ICA，成功的從機械含噪聲源中提取出了故障特征。REF_Ref12629\r\h[5]（3）故障診斷中非平穩(wěn)信號的盲分離研究在機械設備運行過程中，會存在干擾設備運行的多種未知狀況，次數(shù)比較多的有，轉(zhuǎn)速發(fā)生不穩(wěn)定、負載端壓力變化、機械變形導致設備沖擊摩擦等，這也就導致了工況現(xiàn)場部署的傳感器檢測到的振動信號也是非平穩(wěn)的，信號中的頻率分量隨時間不斷的發(fā)生變化。郝志華等采用瞬時混合盲分離模型，將時域和頻域一起納入分析的范圍中，采用聯(lián)合對角化，即jade法研究非平穩(wěn)信號下如何才能進行盲分離。張云等人思考從局部時間譜的角度出發(fā)，借助于EMD分解和Hilbert變換，來研究非平穩(wěn)信號的盲分離過程，并成功的分離出故障源特征。李順明針對強噪聲轉(zhuǎn)子系統(tǒng)的振動信號如何進行盲分離問題，思考采用二階非平穩(wěn)盲分離方法來實現(xiàn)功能，并進而利用SONS算法獲得所分離的振動源的頻譜，有效抑制噪聲。（4）機械振動源源信號數(shù)目估計在完備的條件下，對于傳感器的觀測信號數(shù)目m大于源信號數(shù)目n的情況，李廣標用四階累積量計算的瞬時混合模型來識別信號源的數(shù)目。另外，奇異值分解（SVD）來估計不相關源數(shù)的方法固然有效，但過程中不可避免的存在數(shù)據(jù)誤差，對精度有所要求，于是侯建對算法過程中的譜估計存在數(shù)值誤差和不確定性等情況，提出了對奇異值分解（SVD）進行多個源信號聚類處理的方法。該方法創(chuàng)新性的利用聚類分析的優(yōu)良特性，解決了之前SVD中鄰近選擇會對分析結(jié)果造成干擾的問題。此外，每個奇異值的類內(nèi)外離散化，還可以做到同時對聚類過程進行優(yōu)化。針對機械源信號個數(shù)如何判斷估計的研究課題，WangYu采用模糊c均值聚類自適應方法，在欠定條件下通過設置歸一化峰度閉包值，消除高斯分量和亞高斯分量來估計脈沖信號源個數(shù)。（5）針對不同機械振動信號的應用研究國防科技大學陳忠生研究了ICA于直升機容易磨損的齒輪箱故障領域的應用，并取得了不錯效果。Alexan