英文翻译

发布时间：2011-08-15 22:37:45 来源：文档文库

小中大

字号：

手机查看

英文翻译

学生姓名：

学号：

专业：

班级：

指导教师：

利用投影和高斯混合模型预测轴承性能的退化和保护轴承性能

作者：余建波

学校上海交通大学、机电一体化工程、上海200072、居住于中国

关键词：

轴承性能下降评估轴承

故障诊断投影特征提取

高斯混合模型

摘要：

不同特征的敏感性，机器性能的特点在不同工况下发生了显著变化。因此关键是要设计一种系统的特征提取方法（FE），提供一种有用的和自动的指导功能，使其在最有效的方式下，在无人的情况下进行机械性能预测。本文提出了一种新的投影方法（LPP）基于有限元方法单元重叠。不同于主成分分析(PCA)的目标发现的总体结构欧氏空间，LPP有能力去发现多流型数据的局部结构。与PCA相对比，这可能让LPP去寻找更多的有意义的隐藏在高维的低维观察结果本文提出的方法的有效性，在轴承试验台上对轴承的缺陷和严重程度分类进行了评价实验。此外，提出了一种新颖的性能评估的方法，说明利用高斯混合模型(GMM)基于对数似然比概率(NLLP)提供了一个可理解的轴承性能退化。本文提供的方法比使用常规特征(例如，均方根(RMS)) 具有更好的性能表现。实验结果表明基于FE和GMM的LPP作为有效的工具对轴承的性能损失评估具有潜在的用途。

1介绍：

在旋转机械中轴承是极其重要的组成部分。在运行过程中，轴承也承受着高载荷与严峻的条件。在这种严峻的操作条件下，缺陷通长在轴承处逐步发展起来。如果没有采取有效的措施，旋转机械轴承故障会导致机器的故障和经济损失。因此准确地检测出故障的存在和传播是非常重要的，尤其是在他们的早期阶段，在轴承部位防止和减少后续的伤害以及昂贵的停机时间。到目前为止，在工业维修中对于监测机器的运行条件的过程受到越来越多的关注。这些技术可分为三个领域：频域分析，时间域分析和时频域分析。这些频率或时域分析方法寻找高频率瞬变的周期事件。这不过是高频率瞬变这个周期性可能受到压制的一个事实。此外，经典傅里叶方法倾向于平均瞬态振动，并因此使背景噪音变得更敏感。为了克服这一问题，时频域分析，研究给定信号在时域和频域中，已发展为非平稳信号。另外一个著名的转变是微波变换时频分析（或微波信息包变换）。时频分布不同的是，这是一种时频表示的信号，微波变换是一种时间尺度表示的信号。微波变换(或微波信息包变换)已被广泛应用于对轴承故障检测与诊断的信号处理中。

从这三个分析领域，从振动数据可以产生很多特征。从输入诊断和预测系统的原始的特征中提取最实用的信息是一个很大的挑战。在机械诊断和预测基础知识模型中，其准确度，随后，是依赖于敏感性特征来估计轴承的缺陷和传播。原来的特征规格的从时间、频率、提取时间/频域的范围较大。因此，它是很难估计的，因为机械系统缺陷的发展和传播非常的敏感。因为各种因素都影响系统的有效性的特点，例如eg、位置传感器、信噪比的数据采集系统，等。因此，关键是要设计一种系统的方法，可以提取藏在轴承振动信号中的最实用的信息。在这项研究中，特征提取(FE)是给定的数据集，以更好地实现作为对轴承故障诊断和性能评估的预处理的模型。

主成分分析(PCA)是FE技术之一，常被用于轴承缺陷的检测和分类。利用主成分分析法(PCA)可以辨别方向通过全球最大方差数据集，并通过使用数据投影)提取几种有代表性的特征(例如，主成份（pcs）)。李使用主成分分析法(PCA)从微波包节点产生的轴承振动信号提取特征，就像轴承的性能损失评估模型所起到的作用。张孙俐提出了一种基于PCA的多变量分析方法来进行泵状态监测。他们的实验结果说明，利用主成分分析法(PCA)所产生的不同的振动特征能够表明泵的真实性能状况。Malhi及高最近提出了一种基于PCA的特征选择方法来对轴承缺陷分类。实验结果表明，该方法能够利用较少的特征输入来提高缺陷分类准确性。然而，这种方法只能在最大方差数据中排列出特征然后选择最初几个重要的特征，并且很难知道应该从特征中选出多少种特征子集来对缺陷条件下的轴承进行精确的描述。

相对于基于全球的数据投影技术例如PCA，基于位置的学习方法，代表的局部线性嵌入(LLE) 拉普拉斯特征映射和等距映射努力去发现非线性结构流形的存在，出现在过去几年。然而，他们的非线性性能使他们计算昂贵。此外，他们产生的映射定义只在训练数据点中，并且难于在实验设备上自然地评估。最近，一种新型的线性降维算法FE算法，被他和Niyogi称为位置保留算法。LPP是一个线性投影图，而通过求解一个变分问题在低维空间中最佳的保存内在的几何结构数据集。因此，利用主成分分析法(PCA)的主要区别是，PCA目的在于发现欧氏空间的全局结构，而LPP则是要发现多种局部结构。在许多情况下LPP能够通过保存局部结构来恢复重要的线性的或非线性的方面。因为其能够在一个特定的数据集中辨别方向与局部的变化，LPP适合去提取有用的特征作为输入的轴承故障诊断的研究和性能评估模型进行了论述。

轴承性能预测中的另一个挑战是，在基于特征提取的方式下如何更有效地评估性能的退化。主要的困难之一是如何在高度随机的自然增长中实现轴承预测。虽然种类繁多的原有特性可以生成描述振动信号的特点，以前的研究工作表明每个特定的特征对应每个特定的缺陷和特定的阶段。一个有效的承载性能预测系统应充分利用来自多个系统性能退化测试的有效的信息。已经有一些有效的方法被提出，机械运转状态评估，黄等人提出的自身组织映射和反向传播网络，基础的方法如性能退化评估和轴承的剩余寿命预测。面临的挑战是如何构建一个有效的特征子空间来选择特征并且能够始终例证退化模式。燕和高提出一个轴承健康评价技术使用Lempel-Ziv作为复杂的数值测量，并且能够适合于在不同操作情况和不同承载条件下监测机械系统的性能。潘等人提出了一种支持向量数据描述的方法，基于轴承性能退化评估方法。该模型的一个缺陷是在多工作条件下的多峰特征数据模型下效果不好。这就限制了它在实际中的应用。然而这些提出的模型通常不考虑有效的FE去改进他们的性能。

在这项研究中，在LPP基础上的有效的特征提取，高斯混合模型(GMM)提出了一种基于量化评估指示下的轴承性能退化，假设在正常工作状态的测量是必要的。高斯混合模型(GMM)是一个很好的方法复杂的数据描述，以其优良的稳健性和高性能计算。使用多个高斯成分，高斯混合模型有能力去描述复杂的数据分布，经常存在振动数据。因此，本研究提出三项重要贡献的文献。首先，这是第一次申请，基于LPP的FE轴承故障诊断和预测模型。通过LPP的局部信息提取比通过PCA的全局信息提取更有用。与应用广泛的PCA相比，LPP并没有被应用到机械故障诊断和性能的预测中。本研究之第二的贡献是我们提出一个量化的提示去评估轴承的性能退化。最后，我们证明了基于LPP的FE方法在轴承缺陷分类中的重要性，严格的性能退化评价分类。