基于运动形态分解与信息熵融合技术的高速自动机故障诊断研究-东篱科研大数据发现系统（DRDS）

位置：立项数据库 > 立项详情页

基于运动形态分解与信息熵融合技术的高速自动机故障诊断研究

项目名称：基于运动形态分解与信息熵融合技术的高速自动机故障诊断研究
项目类别：面上项目
批准号：51175480
申请代码：E050302
项目来源：国家自然科学基金
研究期限：2012-01-01-2015-12-31

项目负责人：潘宏侠
负责人职称：教授
依托单位：中北大学
批准年度：2011

中文摘要：

在线监测与故障诊断是保证设备正常运转和可靠工作的重要环节，受到普遍关注。课题采用理论研究与实验研究相结合的策略，建立一套基于运动形态分解与信息熵融合技术的高速自动机故障诊断理论与方法。解决实际应用中短时瞬态冲击响应信号中微弱故障信号容易被淹没，有效敏感的特征参量难以提取，难于故障准确定位和实时诊断的问题。利用高速自动机构件运动形态分解特征确定故障作用位置与时刻，再与冲击响应信号的信息熵融合分析处理，提出了短时瞬态冲击信号分析处理与特征提取的新思路新方法，并应用于小口径高炮高速自动机故障诊断领域，拓展了机械故障诊断学科的研究范围。主要研究内容包括高速自动机故障诊断中信息熵算法；高速自动机运动形态分析与构件裂纹等故障冲击振动响应机理；自动机冲击振动响应的高可靠测试与优化技术研究；基于运动形态分解与信息熵相融合的故障特征提取与优化技术；高速自动机故障定位与诊断技术。

中文主题词：运动形态；信息熵；高速自动机；特征提取；故障诊断

英文摘要：

Motion Morphology；Information Entropy；High-speed Automata；Feature Extraction；Fault Diagnosis

英文主题词： Motion Morphology；Information Entropy；High-speed Automata；Feature Extraction；Fault Diagnosis

结论摘要：

以某中口径转管自动机和某小口径轻型自动机为研究对象，突破常规的试验测试分析模式，先从自动机运动形态分解与转换入手，研究基于冲击信号信息熵的故障诊断理论，进而利用短时冲击熵谱特性的优势，解决高速自动机不解体故障诊断中的特征信息提取困难、计算时间长，无法实现在线检测与诊断、故障难以准确定位，诊断精度不理想等问题，实现特征参量集的提取与诊断算法的改进，为高速自动机等高速冲击机械系统的在线实时故障诊断开辟一条新的途径。这项研究具有较高的理论意义，对冲击类复杂机构和装置的早期故障诊断和改善其在线工作性能均有工程实用价值。主要研究1）研究了基于运动形态和信息熵融合的自动机瞬时冲击响应信号的降噪与特征参量提取方法；2）研究了自动机冲击响应信号的形态分解和多种信息熵谱的故障模式识别方法；3）完成了某轻型自动机的三轮台架实验和某转管自动机的三轮靶场试验，测试并研究了主要零件三种故障情况下的振动响应、特征提取和故障分类。项目在以下几个方面取得研究成果1）对自动机运动形态进行分解，截取与故障构件动作相对应的振动信号进行分析，提出了用小波包分解提取频带能量大的信号重构并对其进行局域波分解进一步细化频谱，同时分别利用局域波奇异谱熵、边际谱熵和特征空间谱熵定量描述信号状态的时域、频域和能量变化的特征量提取方法。2）提出了运用小波与希尔伯特-黄变换分别对自动机振动信号进行时频分析的方法。提出运用互信息法和假近邻法求得延迟时间和嵌入维数，计算每层小波系数的排列熵作为自动机短时瞬态、微弱故障信号的特征量。提出了使用聚合经验模态分解（EEMD）结合相关系数法计算Hilbert变换信号的时频多尺度熵和能谱熵，将两者组合熵作为自动机故障诊断的特征量。3）提出了利用局部窄带信号分解的理论对信号进行自适应分解和重构，突出了信号的故障特征。再利用多重分形理论求得信号的广义分形维数谱，用广义维数相关性判别法和序列单值优化逼近判断法实现了自动机工况的定性分析。4）根据转管自动机振动信号的非线性短时冲击特性，首次提出了运用第二代小波变换对其进行特征提取，并结合概率神经网络模型，实现了对转管自动机的故障诊断。该方法提取出的特征向量集合对转管自动机的运行状态比较敏感，适合于故障分类识别。

成果综合统计