基于svr的旋转机械耦合故障诊断方法研究-焦宏超.pdf

《基于svr的旋转机械耦合故障诊断方法研究-焦宏超.pdf》由会员分享，可在线阅读，更多相关《基于svr的旋转机械耦合故障诊断方法研究-焦宏超.pdf（57页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 硕 士 学 位 论 文 基于 SVR 的 旋 转机 械 耦 合 故障 诊 断 方法 研究 Research on Coupling Faults of Rotary Machinery Diagnosis Method Based on SVR 焦宏超 2015 年 12 月 _ 国内图书分类号：TK267 学校代码：10079 国际图书分类号：621.1 密级：公开 工 学 硕 士 学 位 论 文 基于 SVR 的 旋 转机 械 耦 合 故障 诊 断 方法 研究 硕士研究生 ： 焦宏超 导 师 ： 韩中合 教授 申 请 学 位 ： 工 学 硕 士 学科 ： 动 力 工 程 及 工 程 热

2、物 理 专业 ： 动 力 机 械 及 工 程 所 在 学 院 ： 能 源 动 力 与 机 械 工 程 学 院 答 辩 日 期 ： 2016 年 03 月 授 予 学 位 单 位 ： 华 北 电 力 大 学 _ Classified Index ： TK267 U.D.C ： 621.1 Thesis for the Master Degree Research on Coupling Faults of Rotary Machinery Diagnosis Method Based on SVR Candidate ： Jiao Hongchao Supervisor ： Prof. Han

3、Zhonghe School ： School of Energy Power and Mechanical Engineering Date of Defence ： March ，2016 Degree-Conferring-Institution ： North China Electric Power University _ 华北电力大学硕士学位论文 原 创性声明 本 人 郑 重 声 明 ： 此 处 所 提 交 的 硕 士 学 位 论 文 基于 SVR 的旋转机械耦合故障 诊断方法研究 ， 是 本 人 在 导 师 指 导 下 ， 在 华 北 电 力 大 学 攻 读 硕 士 学 位 期

4、 间 独 立 进 行研究工作所取得的成果。 据本人所知，论文 中除已注明部分外不包含他 人已发 表或撰写过的研究成果。对 本文的研究工作做 出重要贡献的个人和集体， 均已在 文中以明确方式注明。本声 明的法律结果将完 全由本人承担。 作 者 签 名 ： 日期： 年 月 日 华北电力大学硕士学位论文 使 用授权书 基于 SVR 的旋转机械耦合故障诊断方法 研 究 系 本 人 在 华 北 电 力 大 学 攻 读 硕士学位期间在导师指导下 完成的硕士学位论 文。本论文的研究成果归华 北电力 大学所有，本论文的研究内 容不得以其它单位 的名义发表。本人完全了解 华北电 力大学关于保存、使用学位 论文的

5、规定，同意 学校保留并向国家有关部门 或机构 送交论文的复印件和电子版 本，同意学校将学 位论文的全部或部分内容编 入有关 数据库进行检索，允许论文 被查阅 和 借 阅 。 本 人 授 权 华 北 电 力 大 学 ， 可 以 采 用 影 印、缩印或扫描等复制手段 保存、可以公布论 文的全部或部分内容。 本学位论文属于( 请在以上相应方框内打 _ _ _ ) ： 保密 _ ，在 年解密后适用本授权书 不保密 _ 作者签名： 日期： 年 月 日 导师签名： 日期： 年 月 日 _摘 要 I 摘 要 旋转机械被广泛地应用于汽轮机、涡轮机、发电机、燃气轮机、压缩机、风机、 航空发动机等各种机械设备中。

6、 当 前 ， 随 着 旋 转机械设备结构复杂程度的提高 ， 设备 与 设备之间的联系也越来越紧密， 使发生的故障也越来越复杂， 同一时刻出现的故障 可能不是单一的某一种故障， 而 是两种或是更多的耦合故障 。 因此， 针对旋转机械 进 行耦合故障诊断 ， 对 保证旋转设备经济安全运行具有十分重要的 意义。 本文根据支持向量回归 机 理论，提出了基于 SVR 的耦合故障诊断方法。该方法 首先 由各类典型的单一故障 建立典型样本 数据 库， 然后利用这些典型单一 故障通过 SVR 非 线 性算 法 拟 合待 诊 断 样本 ， 将 会 得 到 各 个典 型 故 障样 本 对 应的 权 重 系数 ，

7、最 后 根据 这 些 权 重 系数 判 断 待 测样 本 存 在 各 种故 障 的比 重 ， 即 该 状态 下 发 生 的 故障, 并 利用仿真信号验证了方法的可行性。 其次，针对故障特征提取问题进行研究 ， 提出了基于 EEMD 和排列组合熵结合 的特征提取方法。利用转子振动实验台模拟的故障数据作为研究对象提取特征向量 ， 通过 计算 特征向量构成的 空 间中 各类故障之间 的 形 心距和平均半径和 来判断 不同类 别故障的区分程度 。 并与样本熵和能量方法对比分析，显示出了 该方法的优越性 。 最后，利用 Bently-RK4 转子振动实验台模拟了质量不平衡 动静碰摩、转子不 对中 动静碰

8、摩和油膜涡动 动静碰摩三种不同的耦合故障，利用 EEMD 排列组合 熵提取特征向量，输入 SVR 耦合故障诊断模型进行训练和诊断，通过分析得到的权 重系数实现了耦合故障的诊断。 同时对单一故障进行诊断， 也取得了 良好的诊断效果 。 关键词 ： 旋转机械 ； 耦合故障诊断 ； 支 持向 量 回 归 机(SVR) ； 总体平均经验模态分解 (EEMD) ； 排列组合熵 _Abstract II Abstract Rotating machinery is widely used in various kinds of mechanical equipment, such as steam tur

9、bine, turbine, generator, gas turbine, compressor, blower, aviation engine, etc. At present, with the improvement of complexity of rotating machinery, the mechanical equipments are linked more closely, and the faults are becoming more and more complex. The same time the fault may not be a single one

10、, but two or more of the coupling faults. Therefore, coupling faults diagnosis for rotating machinery is an important measure to ensure the reliable and safe operation of the equipments. This paper studies the theory of support vector regression machine, the coupling faults diagnosis method based on

11、 SVR is proposed. Firstly, a database is established with various kinds of typical single fault. Then, the database is used for fitting to the diagnosis sample by SVR algorithm, and the weight coefficients are corresponded to the typical fault sample will be achieved. Finally, the proportion of all

12、kinds of fault in the diagnosis sample can be determined according to the weight coefficients, namely this condition of the fault. And the feasibility of the method is validated by the simulation signals. Then, studying the problem of fault feature extraction, the method of feature extraction based

13、on EEMD and permutation entropy is proposed. Seeing the experimental faults data of the rotor test rig as the research objects to extract the feature vectors, the discriminating degree of different classified faults can be judged by the distance of centroid and the sum of average radius between diff

14、erent kinds of fault in the space which is build by feature vectors. And compared with the sample entropy and energy , the result demonstrates the superiority of this method. At last, the three types of coupling faults, rotor mass imbalance-rubbing, rotor misalignment-rubbing and oil whirl-rubbing,

15、are simulated by the Bently-RK4 rotor vibratory test-bed. The feature vectors are extracted by EEMD permutation entropy, than inputted the SVR coupling fault diagnosis model for training and diagnosing. Through the analysis of the achieved weight coefficients can realize the diagnosis of coupling fa

16、ults. Meanwhile for the single faults diagnosis, also has obtained the good effect. Keywords: Rotating machinery; coupling faults diagnosis; support vector regression machine (SVR); Ensemble Empirical Mode Decomposition (EEMD); permutation entropy _目 录 III 目 录 摘 要 . I Abstract . II 第 1 章 绪 论 . 1 1.1

17、 选题背景及意义 . 1 1.2 国内外研究现状 . 1 1.2.1 特征提取的研究现状 . 1 1.2.2 智能故障识别方法的研究现状 . 2 1.2.3 耦合故障诊断的研究现状 . 3 1.3 本文的主要研究内容 . 4 第 2 章 基于 SVR 耦合故障诊断方法研究 . 6 2.1 转子常见典型故障特性分析 . 6 2.1.1 转子不平衡振动信号特性 . 6 2.1.2 转子不对中振动信号特性 . 6 2.1.3 转子油膜涡动振动信号特性 . 7 2.1.4 转子动静碰摩振动信号特性 . 7 2.2 支持向量回归机理论 . 8 2.2.1 支持向量分类机 . 8 2.2.2 支持向量回归

18、机 . 10 2.2.3 核函数的选择 . 13 2.3 基于 SVR 的耦合故障诊断模型 . 13 2.4 方法的仿 真实验验证 . 15 2.5 本章总结 . 17 第 3 章 基于 EEMD 与排列组合熵的特征提取方法研究 . 18 3.1 问题的提出. 18 3.2 总体平均经验模态分解 . 18 3.2.1 经验模态分解 . 18 3.2.2 EEMD 算法与合并虚假分量进行频段重构 . 20 3.3 基于 EEMD 与排列组合熵的特征提取方法 . 21 3.3.1 排列组合熵 . 21 3.3.2 特征提取方法 . 22 3.4 转子实验台实例分析 . 22 3.4.1 振动信号的

19、 EEMD 分解 . 22 3.4.2 合并 EEMD 虚假分量进行频段重构 . 24 3.4.3 计算排列组合熵 . 25 3.4.4 结果分析及对比 . 27 3.5 本章总结 . 28 第 4 章 实验研究 . 30 4.1 试验台介绍 . 30 _目 录 IV 4.1.1 实验设备 . 30 4.1.2 数据采集设备 . 31 4.2 单一故障诊断 . 33 4.3 耦合故障诊断 . 36 4.4 本章总结 . 43 第 5 章 结论与展望 . 44 5.1 本文工作结论 . 44 5.2 研究展望 . 44 参考文献 . 45 攻读硕士学位期间发表的学术论文及其他成果 . 48 致

20、谢 . 49 _华北 电力 大学 硕士 学位 论文 1 第 1 章 绪 论 1.1 选题 背景 及意 义 故障诊断技术是 保障机械 设备长期 安全可靠运转 的必要手段， 准确的诊断故障 才能有效地解决存在的故障。 随着现代 工程科 技能力的迅猛进步 ， 机械设备朝着 更 高速、更 高效、更智能一体 化方向发展， 旋转机械设备结构的复杂程度也在提高， 所引起的故障不再是单 一的简单故障， 更多的 是多种故障同时发生的耦合故障， 给 故障诊断带来巨大的困难。 目前，针对 耦合故障的诊断 问题，还未能很好地 解决， 原因很多 1 ：第一， 耦合故障种类 繁多，机理 复杂，对其研究还 不够深入；第 二

21、， 工程实际中 系统 结构复杂， 多机组相互 影响同时运行 ， 区分不同种类故障 困难；第 三， 诊断方法不够成熟。 虽然 耦合故障诊断 仍 存在一些问题， 但是如果继续盲目地 对 机械设备做 单一故障的 诊断， 就会造成漏判 甚至误判， 从而不能及时阻止故障的 发生， 不但造成了巨大的经济损失， 还可能危 及人身安全。 因此， 对旋转机械展开 耦合 故障诊断的研究是十分 有意义的，也是故障诊断技术发展的必然趋势。 1.2 国内 外 研 究现 状 1.2.1 特征提取的 研究 现状 信号处理 技术 是当前最常用的特征提取方法之一。 信号处理是指对采集到的信 息进行提取、 变换、 分析， 从而

22、得到反映事件 变化本质或 有用的特征的过程。 信号 处理技术直接关系到特征的准确提取，进而影响 诊断 模型的精度。 传统的 傅里叶变 换（Fourier Transform ，FT ）是比较经典的一种 分析信号的方 法 2-4 ， 其意义是整体上的变换， 只能反映信号的静态频谱特性， 缺少时间域上的定 位功能。 而短时傅里叶变换 （Short-Time Fourier Transform, STFT ） 是一种属于 时频 上的 分析方法 5-7 ， 弥补了傅里叶变化的不足。 其基本思想是在傅里叶基本变换函数 之前乘一个时间上有限的函数， 即窗口函数， 达到时间域上的局部化， 使其同时提 供频域

23、和时域上的局部化信息。但是这种函数窗口的大小和形态是和频率无关的， 不能随频率的变化而变化，在处理频率变化的非平稳信号上就显的力不从心了。 小波分析是继傅里叶变换后 由法国学者 Morlet 在 1982 年提出来的 8-9 ， 它是 根 据尺度 伸缩和 位移 方法演化 得来的。 与傅里叶 变换 相比， 小波变化具一定的自适 应 性， 以及 多尺度和数学显微特性， 可以用来 信 号降噪、 提取微弱信号、 描述动态信 号的非平稳特性等，不仅能提供信号的 频域信息，也能提供 时域 信息 10 。 _华北 电力 大学 硕士 学位 论文 2 虽然小波变换 被广泛地 应用在非平稳信号 处理 上， 但它仍

24、具有一定 的缺陷。小 波变换其实是窗口可调的 短时 傅里叶变换， 其 中小波基函数很难保证全局最优， 一 旦 分解尺度和小波基确定 之后， 所得到的信号 频带就是固定范围的， 缺乏 足够的 自 适应性 。 1998 年 美 籍 华 人 Norden E. Huang 提出了 希 尔 伯 特- 黄 变换 （Hilbert-Huang Transform ，HHT ） 方法 11 。该方法包含 了 一种 新 的信号分解方法 _ 经验模态分解 （Empirical Mode Decomposition, EMD）， 它可以自适应地 将任一非平稳 信号分解为 多个 瞬时频率有意义的数据序列 ， 这些数

25、据具 有不同的尺度特征， 称之为 内禀模态 函数 （Itrinsic Mode Function ，IMF ） 。该方法 可以同时获得较高的时域和频域分辨 率， 对于非线性、非平稳过程具有 良好 的处理能力 ，且信噪比较高 12 。 但是 EMD 算法本身仍然存在一些缺点，列如端点效应、停止条件、模态混叠 等 。针 对前 两个 缺点 文献13 已做 了大 量研 究工 作， 而针 对模 态混 叠问 题，Wu 和 Huang 提出了一种总体平均经验模态分解法 14 (Ensemble Empirical Mode Decomposition ，EEMD) ， 成功 地抑制了模态混叠， 还原了信号本

26、质， 是对 EMD 算 法的一个重大改进。 模态混叠是由于信号的不连续性造成的， EEMD 算法在原始信号上 加入 了适当 的随机高斯白噪声， 相当于给信号加入了白色 的背景， 使信号在不同尺度上具有连 续性， 从而抑制 了模态混叠。 对于加入的噪声， EEMD 算法通过多次的 EMD 分解， 取对应 IMF 分量的均值，消除噪声的影响，使 其物理意义更加清 晰明确。 该方法已被广泛的应用于故障诊断中， 例如重庆大学陈仁祥等 15 将 EEMD 用 于转子轴心轨迹的提纯， 清晰地 获取了 不对中 故障的轴心轨迹特征； 燕山大学王书 涛等 16 提出基于 EEMD 样本熵和 GK 模糊聚类 的机

27、械故障识别方法， 并应用于滚动 轴承的故障诊断中，取得了良好效果。 1.2.2 智能故障识别方 法的 研 究现状 (1) 模糊故障识别方法 17-18 模糊识别、 模糊聚类是模糊故障诊断技术涵盖 的两个内容。 模糊 识别首先要确 定机械设备当前出现的故障特征 T ，根据故障 特征 与故障种类之间的模糊关系矩阵 M ， 通过模糊运算法则计 算模糊诊断向量 ，再 按照最大隶属度原则确定故障类别 。 模糊聚类是将未知故障的特征 T 与机械设备 历史上诊断出的典型故障 数据进行对照 分析 ， 比较待诊断故障与历史上哪个确诊的故障种类 最为接近， 进而聚为一类 故障。 但是， 模糊故障诊断技术往往需要由

28、先验知识人工确定隶属函数及模糊关系矩 阵，但实 际上获得与设备实际情况相符的隶属函数及模糊关系矩阵存在许多困难； 此外， 还存在利用信息单一， 学习能力差， 易 发生漏判或误判等问题。 基于上述 问 _华北 电力 大学 硕士 学位 论文 3 题， 实际诊断中往往将模糊故障诊断技术与其 它诊断技术 相结合， 使诊断效果得到 改善。 (2) 神经网络方法 19-21 神经网络系统是 通过模拟生物神经系统而建立的， 它由 大量 简单的分析 单元按 照一定的逻辑层次 相互连接而形成的复杂网络系统。 这种方法具有一定的自适应 性 与非线性映射能力， 可以实现 自组织、 分类和 学习 等功能， 在故障诊断

29、领域显示出 了明显的优势。 但是随着研究的深入， 人们发 现神经网络存在泛化能力差， 处理小 样本能力较弱， 在建立模型时收敛速度慢等一 些严重的缺陷， 所以该方法 仍有待于 进一步的完善。 (3) 支持向量机方法 22-23 1992 年至 1995 年，Vapnik 教授提出 了一种 新的模式识别方法 _ 支持向量机 ( Support Vector Machine ，SVM ) ， 该方法属于机器学习的一种， 是在统计学习理论 基础上逐 渐发展 起来 的。SVM 方法 的 主要 思 想是 通过 一个内 积函 数 来实 现非线性 到线性的 变换， 即将 样本空间 映射 到一个 更高维 的

30、空间， 在这个 高维空间中 进行计 算 使 输出 结果线 性可 分。SVM 突破 了传统 的 经验风险 最小化 原则 ，以追 求结构风 险最小化为目的， 具有更强的泛化能 力， 并有 效地 解决了其他方法不能解决的小样 本问题。 正是 基于这 些优点 ，SVM 方法 已被 广泛的应 用于 故障诊 断 24-25 ， 并将 成 为机器学习领域的研究重点 26-28 。 1.2.3 耦合故障诊断的 研究现 状 旋转机械 的耦合故障是指 在系统中同一时刻同时发生 两种以上的故障 29-30 。工 程实际中耦合故障是普遍存在的， 其是由多种 不同故障非线性耦合而成， 较单一故 障更加复杂， 难以 诊断

31、出包含的全部故障 进而造成漏判引起设备故障 。 近年来， 就 耦合故障诊断问题一些学者做了大量的研究： 一方面利用信号处理技术对耦合故障信号进行处理， 通过分析其时频和幅频等 特征实 现耦合故障识别。 列如肖汉等人提出一 种微分耦合经验模态分解方法， 对转 子 试验台模拟信号进行处理， 分析 分解 得到的每个 IMF 分量图和 相应的幅值谱 实现 了 不平衡 不对中 碰摩耦合故障 的诊断 31 ；Ma 等人利用重排小波尺度图、轴心 轨迹、 三维瀑布图和频谱图 多种特征提取方法 ， 对 转子系统在升降速过程中 的特征 进行提取 ， 通过分析特征 区分出了 碰摩 裂纹和油膜失稳 碰摩两种不同的耦合

32、故 障 32 。但是这类方法缺少智能故 障诊断环节， 不利于实现自动化运行。 另一方面将已知耦合故障看作典型样本，和单故障共同组成典型 样本数据库 ， 利用典型 样本库中的故障同未知故障进行比较， 将特征接近 的故障归为一类从而实 现耦合故障诊断。 例 如艾延延等人提出了一种基于融合信息熵距的转子振动故障诊 _华北 电力 大学 硕士 学位 论文 4 断方法， 利用转子试 验台模拟了裂纹、 碰摩 单 一故障和 裂纹碰摩耦合故障， 通过 比较 实验 测试信号与其 对应的振动故障之间的信息熵距大小， 实现了单一故障和耦 合故障的诊断 33 ；Wu 等人 采集了复合故障的 突变加速度信号，并 提取了相

33、应的谱 特征， 与单故障的谱特征共同构成特征向量输 入支持向量机 进行训练 和诊断 ， 实现 了 典型松动 碰摩复合故障的诊断 34 。 这类方 法需要大量的 典型 耦合故障样本， 但 是 耦合故障的组合多种多样， 且 实际中 耦合故障样本数目较单一故障样本 数目更加 稀少 ，在工程推广中受到限制。 基于上述分析， 本文提出了一 种能够 解决小样本的智能耦合故障 诊断方法 基 于支持向量回归机(Support Vector Regression Machine, SVR) 的耦合故障诊断方法。 该方法首先通过 已知的典型单一故障建立典型故障样本库， 利用样本 库中的典型故 障样本运用 SVR

34、非线性算法 拟合待诊断故障， 将得到 SVR 模型中的权重系数作为 每种典型故障对待测样本的贡献参数， 即贡献排名在前几名的故障为待测样本所包 含的故障。 该方法不但大大减少了样本数目， 还可以根据贡献参数的大小反应故障 发生的严重程度。 1.3 本文 的主 要研究 内容 本文 通过对当前耦合故障诊断方法的了解， 引 出了文中研究的核心内容： 以支 持向量回归机 为基础，建立了 基于 SVR 的耦合故障诊断模型，并利用仿真实验验 证了模型的可行性。 然后 ， 对特征提取方法进 行了研究， 通过排列组合熵、 样本熵、 能量法 之间的 对比分析，选取 EEMD 与排列 组合熵结合 的方法 用于特征向量 的提 取。 最后， 通过 Bently-RK4 转子振动试验台模 拟了 三种碰摩耦合故障和常见的四种 单一故障，利用 EEMD 排列组合熵提取故障特征，输入 SVR 耦合故障诊断模型进 行诊断研究。文章的主要结构安排如下： 第一章 主要对 旋转机械耦合故障诊