【盲源分离技术在机械故障诊断中的应用3000字】

盲源分离技术在机械故障诊断中的应用目录TOC\o"1-3"\h\u19252盲源分离技术在机械故障诊断中的应用 1175281.1机械故障诊断的必要性 173481.2盲源分离在机械故障诊断应用的发展现状 11.1机械故障诊断的必要性随着社会的快速发展，机械设备的功能越来越完善，系统结构也越来越复杂。先进的现代化设备固然提高了生产率，但设备的安全性能也变得越来越高，复杂的工作关系使得任何部件或设备系统故障将产生重大影响，轻则闲置工厂和工人，重则导致机器停摆，一旦发生事故和危险，造成的损失将会更大。因此，监测机械设备的运行状态，并在故障发生时及时判断故障是十分必要的。当今社会是以工业化生产为基础的现代社会，机械设备是保障社会运转和高生产力的组成要素。而随着科技发展和日益迫切的生产力要求，机械设备的发展趋势是装备大型化、集成化、智能化，设备的组件越来越多，系统也越来越精密，这就导致工业生产环境极其复杂。现代机械系统有以下几个特点：随着机械系统功能的增加，各工作单元之间的关系越来越复杂，导致影响设备安全性能的因素越来越多;机械系统的结构越来越复杂，规模越来越大，设备的成本越来越高;现代机械系统越来越趋向于系统的最终效率和速度，安全风险的数量也在增加。一旦发生机械故障，损失造成的连锁效应是非常惊人的。现代机械系统在社会生产中地位越重要，其运行稳定与否对社会的影响更加显著。1.2盲源分离在机械故障诊断应用的发展现状目前，国内外最常用的故障诊断方法主要集中在无损诊断技术上，如机械装备振动过程监测与故障诊断技术、油液设备运行分析与故障诊断、仓储温度稳定检测与故障诊断等。最广泛使用的诊断技术是利用传感器，首先测量机械设备的振动参数，然后对数据在时域上进行波形分析，以此计算出设备振动的位移、速度、加速度、相位，然后通过振动频谱分析技术，以及共振解调分析对信号进行分析和处理，获得故障的频谱信息，并确定故障的类型。在信号分析处理方面，我国已经逐步引入了小波变换、短期傅里叶变换、频谱分析等现代处理方法，但这些处理方法有很大的局限性，当信号特征为非线性、非平稳时，这些方法就不能很好的发挥作用。因此，急需更加先进准确的信号处理方法来对机械设备进行运行监测和故障诊断。在此大背景下，由于盲源分离(BSS)具有即便缺失先决条件的状况下，也能从有限的观测信号中分离出原始信号，因此掀起了研究的热潮，并且现已取得的成果，在某系工况环境下的机械故障中，取得了不错的效果。当然，盲源技术还存在很多未解决或者未完善的问题，尤其是一些复杂工况下，盲源分离的性能还需要提升。上世纪90年代，盲源分离算法首次大展身手，是在机械滚动轴承领域。Gaeta等人利用盲源分离算法，提取了来自多个传感器收集的振动观测信号，实现机械振动信号的提取，在窄信道中实现对两个频率相近的谱线进行分离。这一方法得到了其他学者的推广。为了便于处理，张云在盲源分离中加入Hilbert-Huang变换，由此将观测得到的机械信号的局部波形特征可以从时域变换到频域，然后对观测信号进行处理，实现了非平稳机械信号的分离。DejieYu等人研究了齿轮故障时的振动情况，发现故障下信号能量在时频平面上的分布与正常运行状态时有很大差别，在这个基础上，创新性的介绍了时频熵的概念，通过判断故障信号含有的能量的分布特征状态，进行希尔伯特变换得到原始信号。在故障类型提取与分门类识别判断方面，朱建渠等人提出利用谐波小波包分解的良好特性，步骤上先对各种故障信号实现多层分解，然后着重提取那些代表了各类故障的频带能量，并将能量作为故障种类的特征向量，最后拿着所得故障信号的特征向量，与提前建立的故障信息库中的故障特征向量对比，把差别最小的作为所检测信息的故障类型，从而提取了故障。伴随着更加深入的研究，盲源分离算法在机械故障诊断中的应用范围将越来越大。具体研究方向及相应的研究方法可以简单归纳为以下几个方面：（1）机械故障源盲分离研究AlexanderYpma等学者以旋转的机械振动信号为对象，重点研究了与声音信号的组合混叠模式，选取了二阶和高阶信息量的方法将其分离开来。还有学者，对ICA进行改进，突破了非线性的限制，加入自适应的要素，实现算法对齿轮故障的诊断功能。Gelle采集了两台电机的振动信号，从中分离出了轴承的故障信号，取得了不错的效果。吴俊彪在所发表的论文中，其瞬间混叠模型的实验方法减小了信号采集过程中对监测信号的影响，消除了其他随机信号的干扰。焦卫东提出了一种根据PCA-ICA的无监督盲源分离识别方法，解决了强扰动对瞬时混合模型中信号源分离影响较大的问题。钟振茂主要利用音频信号含有丰富的机械运行信息，开展了相关的机械故障盲分离研究。王宇建立了块体模型，用盲反褶积方法，可以遥远观测机械故障的声源信号。（2）机械故障特征提取的研究卫东等研究了基于独立分量分析和残差互信息的多通道信息压缩方法，并将ICA与小波法组合起来进行研究，在对泵轴承运行测量一系列信号的基础上，来提取出被隐藏于观测信号中的源信号的调制信息。特征矩阵的联合近似对角化方法也是一个很好的算法，比如吴俊彪便利用jade法从观测信号中分离出了机器运转的源源信号和故障信号。叶宏贤针对高阶多源机械振动的问题，将源信号处于卷积混合状态的信号信息，进行了分离，从而开拓了机械振动中多源信号相卷积混合如何提取的问题。青永刚主要针对瞬态下的混合模型，采用ICA，成功的从机械含噪声源中提取出了故障特征。REF_Ref12629\r\h[5]（3）故障诊断中非平稳信号的盲分离研究在机械设备运行过程中，会存在干扰设备运行的多种未知状况，次数比较多的有，转速发生不稳定、负载端压力变化、机械变形导致设备冲击摩擦等，这也就导致了工况现场部署的传感器检测到的振动信号也是非平稳的，信号中的频率分量随时间不断的发生变化。郝志华等采用瞬时混合盲分离模型，将时域和频域一起纳入分析的范围中，采用联合对角化，即jade法研究非平稳信号下如何才能进行盲分离。张云等人思考从局部时间谱的角度出发，借助于EMD分解和Hilbert变换，来研究非平稳信号的盲分离过程，并成功的分离出故障源特征。李顺明针对强噪声转子系统的振动信号如何进行盲分离问题，思考采用二阶非平稳盲分离方法来实现功能，并进而利用SONS算法获得所分离的振动源的频谱，有效抑制噪声。（4）机械振动源源信号数目估计在完备的条件下，对于传感器的观测信号数目m大于源信号数目n的情况，李广标用四阶累积量计算的瞬时混合模型来识别信号源的数目。另外，奇异值分解（SVD）来估计不相关源数的方法固然有效，但过程中不可避免的存在数据误差，对精度有所要求，于是侯建对算法过程中的谱估计存在数值误差和不确定性等情况，提出了对奇异值分解（SVD）进行多个源信号聚类处理的方法。该方法创新性的利用聚类分析的优良特性，解决了之前SVD中邻近选择会对分析结果造成干扰的问题。此外，每个奇异值的类内外离散化，还可以做到同时对聚类过程进行优化。针对机械源信号个数如何判断估计的研究课题，WangYu采用模糊c均值聚类自适应方法，在欠定条件下通过设置归一化峰度闭包值，消除高斯分量和亚高斯分量来估计脉冲信号源个数。（5）针对不同机械振动信号的应用研究国防科技大学陈忠生研究了ICA于直升机容易磨损的齿轮箱故障领域的应用，并取得了不错效果。Alexan