研究小波状态监控与智能诊断关键技术及其在汽车起重机主泵中运用科技

论文导读：多重分形谱和log累积量构成多重分形特点对设备不同故障状态和故障程度进行诊断，并对各分形特点及其组合的分类性能进行评估。8个小波包能量特点也被引入到特点集合，实验在轴承11组故障数据集上表明，能够获得较为理想的分类效果。同时表明，多重分形特点结合小波包能量特点的分类性能优于多重分形特点或小波包能量特点或时域统
摘要：设备在服役期内的安全性、可靠性越来越受到业界的重视。起重机广泛运用于众多基础建设项目，工作环境恶劣复杂，是事故率最高的特种机械设备之一。设备关键部件发生故障，就可能破坏整台设备甚至影响整个生产历程，不仅造成巨大的经济损失，甚至可能导致灾难性的人员伤亡事故。实时监控设备运转状态、及时对其故障进行诊断是避开非计划停机和保障起重机安全生产的重要措施。基于数据驱动的状态监控与智能诊断是当前探讨的一个热点，同时也面对着一系列论述和技术上的挑战：复杂噪声环境下有用信号的提取；设备运转状态有效特点的提取；基于实时在线智能故障诊断模型的建立；以及针对故障样本稀缺和故障方式不完备情况下智能诊断模型的建立等。本论文探讨复杂工作环境下工程机械状态监控与故障诊断的共性关键论述策略与技术，并运用于大型汽车起重机主泵。主要内容包括：（1）小波去噪是信号处理领域中的重要策略，如何确定小波分解层数是一个关键不足。本论文针对加性高斯白噪声的情况，提出了基于blockbootstrap进行白化检验确定小波分解层数的新策略。主要包含三个步骤：首先对信号进行小波分解，利用延迟自相关量考察小波系数的相关性；其次，根据每层系数相关性的程度，采取block bootstrap历程或者bootstrap历程对原始的小波系数进行采样产生新的bootstrap样本；最后，由于有用信号和噪声在小波空间上不同的传播特性，对获得的小波系数样本进行白化检验，继而确定合适的分解层数。实验表明，该策略对白噪声污染信号能够获得合适的分解层数和良好的去噪效果。（2）小波阈值的选取是小波去噪的另一个关键因素。本论文提出了一个基于Advanced False Discovery Rate （AFDR）的多假设检验策略确定小波阈值的新策略，该策略基于对真的原假设数目的估计，选择合适的step wise历程（step-up，step-down，step-up-down）。AFDR历程与标准的FDR历程相比，有两个主要特点：通过减少比较的次数，提升了多假设检验的效率；提升了检验的势。对应的的自适应小波去噪策略主要包含两个步骤，第一，模型在小波域得到更紧凑的表示，第二，根据小波系数本身的特点，选择最合适的FDR历程。仿真数据和实际实验表明，算法能够灵活调整显著性水平的大小并有效去噪，本策略滤波效果与其它经典的滤波技术相比，具有一定的优势。（3）基于小波leaders多重分形浅析提出了振动信号特点提取新策略。在本论文算法中，由尺度指数、多重分形谱和log累积量构成多重分形特点对设备不同故障状态和故障程度进行诊断，并对各分形特点及其组合的分类性能进行评估。8个小波包能量特点也被引入到特点集合，实验在轴承11组故障数据集上表明，能够获得较为理想的分类效果。同时表明，多重分形特点结合小波包能量特点的分类性能优于多重分形特点或小波包能量特点或时域统计特点，也优于时域统计特点与小波包能量特点或多重分形特点的组合特点。利用距离评价准则，对组合特点进行选择，冗余特点的去除，使分类性能进一步得到提升。（4）提出了基于粒子群相关向量机（Relevance Vector Machines withParticle Swarm Optimization，PSO-RVM）的智能诊断策略，其中粒子群算法用于优化相关向量机核函数的参数，各二值相关向量机按二叉树的组织形式构成系统的诊断模型。实验表明该策略所得模型需要的相关向量个数很少，而且能够得到比较高的诊断精度，适合对实时性要求高的在线诊断系统。另外，针对机械运转最初阶段，往往只有正常状态的样本，到一定阶段后故障样本才逐渐增加，常规故障诊断模型无法进行有效的训练这一不足，本论文提出了一个基于蚁群支持向量数据描述(SupportVector Data Description with Ant Colony Optimization，ANT-SVDD)新异类检测和Dies Bouldin指数（Dies Bouldin Index，DBI）K均值聚类策略结合的机械故障诊断框架。首先对正常状态样本建立SVDD模型，并利用蚁群算法对SVDD模型参数进行优化。当拒绝样本数目累积到设定的阈值时，对这些样本利用K均值聚类策略进行处理，获得能够进行标记的类别，其中，K均值聚类的类型数目由Di论文导读：向量机（SupportVectorMachineswithParticleSwarmOptimization，PSO-SVM）进行比较。诊断结果表明，PSO-RVM比BP-ANN、ANT-ANN、RVM具有更高的识别精度，与PSO-SVM识别精度相当，分别达到99.17%和99.58%，但是所需相关向量的数目远小于支持向量的个数，每个二分类RVM的相关向量数目是对应SVM的支持向量数目的1/12－1/3。进一步验
es Bouldin指数辅助确定。最后，对这些标记出的各类样本，分别建立SVDD模型进行训练，由这些SVDD分类器按照二叉树形式组成对系统状态的完整诊断模型。实验验证了所提算法的有效性。（5）提出了汽车起重机智能维护总体框架设计和数据库系统设计，并利用本论文所提出的状态监控和故障诊断关键技术，进行汽车起重机主泵基于小波预处理技术的状态监控浅析和基于PSO-RVM、ANT-SVDD聚类的智能诊断探讨。信号消噪前后的包络谱表明，利用所提出的预处理技术，可以显著改善信号质量，提升状态监控的准确性。针对汽车起重机柱塞泵6种状态，包括正常，轴承内圈故障，滚动体故障，柱塞故障，配流盘故障，斜盘故障，建立PSO-RVM诊断模型，并与后向传播神经网络（Back-Propagation Artificial Neural Network，BP-ANN）,蚁群优化神经网络（Ant Colony Optimization Artificial Neural Network，ANT-ANN）,相关向量机策略（Relevance Vector Machines，RVM），粒子群支持向量机（Support Vector Machines with Particle Swarm Optimization，PSO-SVM）进行比较。诊断结果表明，PSO-RVM比BP-ANN、ANT-ANN、RVM具有更高的识别精度，与PSO-SVM识别精度相当，分别达到99.17%和99.58%，但是所需相关向量的数目远小于支持向量的个数，每个二分类RVM的相关向量数目是对应SVM的支持向量数目的1/12－1/3。进一步验证了PSO-RVM更适合在线实时监控。利用主泵相同的数据，首先对主泵正常状态建立ANT-SVDD模型，然后对异常样本根据DB指数进行聚类，将由新发现类型样本建立的ANT-SVDD分类器组合进系统诊断模型，实现了主泵新增故障类的智能诊断。关键词：汽车起重机主泵论文状态监控论文智能故障诊断论文小波去噪论文bootstrap论文白化检验论文AFDR论文小波leaders多重分形特点论文PSO-RVM论文ANT-SVDD论文DBI论文K均值聚类论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要5-9
ABSTRACT9-18
第一章 绪论18-35

1.1 课题的探讨背景及作用18-19

1.1 课题来源18

1.2 课题的背景及作用18-19

1.2 汽车起重机状态监控及智能诊断技术国内外探讨近况19-22

1.2.1 汽车起重机概况19-21

1.2.2 工程机械状态监控及智能诊断近况21-22

1.3 基于数据驱动的状态监控及故障诊断探讨近况22-31

1.3.1 信号降噪技术22-26

1.3.2 特点生成与降维26-28

1.3.3 智能诊断技术28-31

1.4 本论文探讨内容及技术路线31-33

1.4.1 不足的提出31-32

1.4.2 探讨内容和技术路线32-33

1.5 论文内容安排33-35

第二章 小波去噪合理分解层数确定策略35-61

2.1 引言35-36

2.2 小波变换去相关性和BOOTSTRAP采样36-40

2.1 小波变换的去相关性36-37

2.2 Bootstrap重采样原理37

2.3 Block bootstrap 重采样策略37-38

2.4 最优块长的确定38-40

2.3 基于合理分解层数的小波去噪40-44

2.3.1 基于小波的块bootstrap历程40-41

2.3.2 白噪声检验41-42

2.3.3 基于小样本的白化检验42

2.3.4 白化检验去噪算法42-44

2.4 实验验证44-60

2.4.1 仿真实验44-47

2.4.2 轴承数据实验47-59

2.4.3 进一步讨论59-60

2.5 本章小结60-61

第三章 基于多假设检验的小波去噪阈值确定策略61-82

3.1 引言61-62

3.2 假阳性率概念62-63

3.3 改善的FDR制约历程63-68

3.1 FDR制约的实现63-64

3.2 原假设数目的估计64-67

3.3.3 改论文导读：动浅析140-1426.5汽车起重机主泵PSO-RVM智能诊断策略运用142-1496.5.1基于小波包能量特点的汽车起重机主泵PSO-RVM故障诊断143-1486.5.2基于小波leaders特点与时域特点的汽车起重机主泵PSO-RVM故障诊断148-1496.6基于ANT-SVDD和聚类的汽车起重机主泵新增类故障诊断149-1546.6.1数据描述1496.6.2模型初始参数设置149-15
善的FDR历程67-68

3.4 基于AFDR的小波去噪68-70

3.5 实验验证70-81

3.5.1 仿真实验70-74

3.5.2 轴承数据实验74-78

3.5.3 进一步讨论78-81

3.6 本章小结81-82

第四章 基于小波 LEADERS的多重分形特点提取策略82-108

4.1 引言82

4.2 小波 LEADERS介绍82-83

4.3 基于小波LEADERS的多重分形特点提取83-85

4.4 相关量的选取85-88

4.1 母小波的选择85

4.2 多分辨量矩阶数范围的选择85-86

4.3 回归尺度选择86

4.4 诊断模型选择86-88

4.5 模拟信号检验小波LEADERS提取多重分形特点88-92

4.5.1 “devil staircase”函数的多重分形浅析88-90

4.5.2 模拟振动信号多重分形浅析90-92

4.6 基于小波LEADERS特点滚动轴承故障诊断实验92-106

4.6.1 实验条件92-93

4.6.2 多重分形特点提取相关量的选取93-96

4.6.3 多重分形特点的分类性能96-103

4.6.4 多重分形和其它特点组合的分类性能103-106

4.7 本章小结106-108

第五章 基于PSO-RVM和基于ANT-SVDD聚类的诊断模型108-127

5.1 引言108-109

5.2 基于PSO-RVM的智能诊断模型109-114

5.

2.1 RVM分类109-110

5.

2.2 基于粒子群的RVM参数优化110-112

5.

2.3 基于PSO-RVM的诊断模型112-114

5.3 基于PSO-RVM模型的滚动轴承故障诊断实验114-117
5.

3.1 实验装置114

5.

3.2 实验数据描述114

5.

3.3 模型初始参数设置114-115

5.

3.4 实验结果与浅析115-117

5.4 基于ANT-SVDD和聚类的新增类故障诊断模型117-121
5.

4.1 SVDD算法117-118

5.

4.2 基于蚁群的SVDD参数优化策略118-120

5.

4.3 基于DBI的K均值聚类策略120-121

5.

4.4 新增类智能诊断模型121

5.5 新增类故障诊断模型实验验证121-125

5.1 实验数据描述121-123

5.2 模型初始参数设置123

5.3 实验结果与浅析123-125

5.6 本章小结125-127

第六章 起重机智能维护系统设计及关键技术运用127-156

6.1 引言127

6.2 汽车起重机智能维护系统设计127-131

6.

2.1 系统总体架构127-129

6.

2.2 系统数据库总体设计129-131

6.3 汽车起重机主泵故障机理浅析及振动数据采集131-136
6.

3.1 汽车起重机主泵故障机理浅析131-132

6.

3.2 柱塞泵试验台及传感器的布置132-134

6.

3.3 起重机主泵振动数据采集134-136

6.4 小波信号去噪技术在主泵状态监控中的运用136-142
6.

4.1 汽车起重机主泵正常状态的振动浅析136-140

6.

4.2 汽车起重机主泵柱塞磨损故障的振动浅析140-142

6.5 汽车起重机主泵PSO-RVM智能诊断策略运用142-149
6.

5.1 基于小波包能量特点的汽车起重机主泵PSO-RVM故障诊断143-148

6.5.2 基于小波leaders特点与时域特点的汽车起重机主泵PSO-RVM故障诊断148-149

6.6 基于ANT-SVDD和聚类的汽车起重机主泵新增类故障诊断149-154

6.1 数据描述149

6.2 模型初始参数设置149-150

6.3 诊断结果与浅析150-154

6.7 起重机主泵智能维护关键技术软件集成运用154-155

6.8 本章小结155-156

第七章 总结与展望156-159

7.1 全文探讨总结156-157

7.2 主要革新点157-158

7.3 探讨展望158-159

参考文献159-172
致谢172-173
攻读博士学位期间的主要探讨成果173-174