50000字硕士毕业论文机械事故诊断的改进ISOMAP算法分析
论文类型：硕士毕业论文
论文字数：50000字
论点：故障诊断,机械,方法
论文概述：
对故障信号进行小波分解，选取相对小波能量指标作为故障特征。机械系统的损坏与失效往往是一个渐变过程，系统的故障和症状之间又相互关联与影响
论文正文：
第一章绪论
1.1课题研究的背景和意义
1.1.2研究意义
随着装备制造业的快速发展，复杂机械系统在石化、冶金、电力、机械、交通等行业不断向大型化、复杂化、高速化和智能化方向发展。高负荷、高腐蚀、高温和高运行速度成为机械系统的主要特点。操作环境延伸到恶劣的条件。复杂机械系统设备故障引发的灾难性事故在国内外频繁发生，数不胜数。多年来，机械系统设备的损坏造成了巨大的经济损失、人员伤亡和环境污染。从诊断技术的角度来看，很难准确地获得代表类似于上述故障的复杂机械系统的特征状态的测试数据，因此很难知道其具体的故障模式。因为在实际工业领域的复杂机械系统中，特别是在机械系统关键部件的健康监测中，为了及时准确地了解机组的运行状态，布置了大量的传感器，如振动、转速、位移、压力、温度等，但是通过监测获得的数据是多源的、高维的、巨大的、复杂的、无序的，并且不断增加。由此可见，降维问题已成为实现复杂机械故障诊断的关键问题[1】。
流形学习是一种新的无监督机器学习方法。其基本思想[2，3]是高维观测空中的数据点是由观测空中的几个独立变量跨越的流形。如果观测值空中的卷曲流形能够被有效地扩展或者能够找到内在的主要独立变量，则高维数据集的维数能够被减小。流形学习本质上是分段线性处理，其主要目标[4，5]是找到嵌入在高维数据空中的低维光滑流形，并找到相应的嵌入映射，实现降维或数据可视化。汽车变速箱作为汽车传动系统的主要部件之一，起着改变传动比、减速增矩、设置倒档和空档等作用。目前，它正朝着高速、精密、机电液一体化的方向发展。然而，由于其结构复杂、工作环境恶劣等原因，它经常在高速重载下连续工作。此外，齿轮箱的损坏和故障往往是一个渐进的过程，系统的故障和症状是相互关联和影响的。各种随机因素往往使其故障呈现时变、强非线性和非高斯分布特征，这使得汽车变速箱的故障诊断更加困难。一旦设备出现故障，将影响汽车的使用寿命，甚至乘客的生命安全，[6，7]。
基于上述背景，本课题针对重要应用领域复杂机械系统健康监测中测试数据陷入维数灾难和缺乏有效诊断方法的问题。以汽车变速箱为例，结合研究组在核机器学习和半监督学习等智能诊断方向的研究成果，对流形学习中的全局算法ISOMAP[8]进行了探索和研究。将改进的ISOMAP算法应用于汽车变速箱的故障诊断，为恶劣环境条件下复杂机械系统的健康监测和故障诊断提供了新的手段和方法。
1.2国内外研究现状
1.2.1机械故障诊断发展现状
基于分析模型的方法、基于信号处理的方法和基于知识处理的方法是目前机械设备故障诊断的三种基本方法。基于分析模型的方法主要从机械动力学的角度研究设备的失效机理。基于信号处理的方法采用时域、频域和时频分析等现代信号处理方法，直接处理采集到的故障信号，获得诊断信息，确定故障模式。以上两种方法都是基于计算机技术和传感器技术，以数学建模和信号分析处理技术为手段。它们的应用相对成熟，形成了振动诊断技术、声发射诊断技术、铁谱和频谱诊断技术等。专家系统故障诊断方法、模糊故障诊断方法、故障树故障诊断方法和神经网络故障诊断方法[9-14]是主要的基于知识的故障诊断方法。
人工神经网络智能诊断方法的突出优势是其逼近复杂非线性系统的能力和良好的分类能力，但它需要大量典型故障数据样本和先验知识。Vapnik等人提出的支持向量机(SVM)是一种新型的机器学习算法。这是统计学习理论中最年轻和最实用的内容，[15-20]。支持向量机(SVM)是一种基于统计学习理论的模式识别方法。该学习机采用结构风险最小化原则代替传统学习机采用的经验风险最小化原则，具有较强的泛化能力。其核心思想是实现输入向量从低维空到高维空的非线性映射，寻找高维空的最优分类超平面，并将低维空的非线性问题转化为高维空的线性可分问题。
近年来，国内外许多学者也将支持向量机引入机械故障诊断领域进行研究，例如:Poyhonen S等人成功地将支持向量机应用于电子机械的故障诊断[21]；高俊峰等。往复泵故障诊断支持向量机[22]；李玲讨论了支持向量机在故障诊断领域的分类算法，形成了统一的知识框架[23]；何文雪等人将小波变换和支持向量机结合起来构建故障诊断分类器，取得了较为理想的结果[24]。[25]机械故障检测与诊断的基本过程如图1-1所示。关键步骤之一是特征提取。特征提取的结果直接关系到故障诊断的准确性，已成为目前机械故障诊断中的一个难题。为了从根本上解决机械故障诊断特征提取的关键问题，学者们主要依靠现代信号处理理论和技术手段。目前，生成特征向量的常用方法包括时域分析、以快速傅里叶变换为核心的传统信号频谱分析方法(包括频谱分析、相关分析、倒谱分析、精细频谱分析、全息频谱分析、最大熵频谱分析等)。)[26，27]和近年来刚刚被广泛研究的时频分析技术。
1.3论文的研究内容……12-13
第二章断层特征空之间的构造……13-23
2.1时域特征指数……14-18
2.2频域指数……18-20
2.3时频指数-相对小波能量……20-23
第三章研究……基于改进ISOMAP算法的机械故障诊断3.1经典ISOMAP算法……23-26
3.2 ISOMAP在机械故障诊断应用中存在的问题……26-30
3.3基于边界点的改进ISOMAP算法……30-35
3.4监督L-ISOMAP算法……35-45
第四章SL-Isomap方法在齿轮箱故障诊断中的应用……45-60
4.1测试设备和数据采集……45-47 [/BR/] 4.2稳定条件下的机械故障诊断……47-54 [/BR/] 4.3复杂条件下的机械故障诊断……54-59
4.4实验结论……59-60
结论
(1)。对故障信号进行小波分解，选择相对小波能量指数作为故障特征。机械系统的损坏和故障往往是一个渐进的过程，系统的故障和症状是相互关联、相互影响的。各种随机因素往往使故障信号呈现时变、非线性和非高斯分布特征。传统的时域统计特征和频域特征难以充分反映机械设备健康状况的变化。小波分解构造的相对小波能量指数不仅能看到信号的全貌，还能看到信号的细节，充分反映信号在不同频段的能量分布。因此，机械故障信号的相对小波能量能够反映故障状态下机械设备振动信号的能量分布，可以作为机械故障诊断的特征指标。
(2)。提出了SL-ISOMAP算法，并与支持向量机相结合，形成了一种有效的故障诊断方法。虽然经典的ISOMAP算法在非线性降维领域发挥了重要作用，但其计算效率太低，占用大量内存，不适合故障诊断的现场数据处理。本文采用改进的MDS地标计算方法，显著提高ISOMAP的计算速度。同时，考虑故障样本的标签信息，采用监督学习方法构造有利于分类的相似性度量，形成监督快速SL-ISOMAP非线性降维方法。该方法将故障数据降维，作为支持向量机的预处理，然后进行分类。
(3)。将SL-ISOMAP算法应用于变速器齿轮典型故障的检测和分类。通过汽车变速器试验台齿轮模拟故障试验，验证了SL-ISOMAP算法在非线性降维领域的有效性。测试分为稳定测试条件和复杂测试条件。
参考文献
[1]贾恩·阿·金，敦·R·P·W，毛杰·c·统计模式识别:综述[j]。IEEE模式分析和机器智能交易，2000，22 (1): 4-37
[2]陈省身。陈韦欢。微分几何讲座[。北京:北京大学出版社，2001
[3]陈韦欢，李兴觉。黎曼几何导论[。北京:北京大学出版社，2006
[4]贝尔金.尼约吉。用于降维和数据表示的拉普拉斯特征映射[。神经计算，2003，15 (6): 1373-1396
[5]罗四维。赵威廉。基于图谱理论的流形学习算法[。计算机研究与发展，2006，43(7):1173-1179
[6]康丁，李伟华，朱肖勇。齿轮和齿轮箱故障诊断实用技术[。北京:机械工业出版社，2005
[7]朱元嘉。汽车变速箱在线快速故障诊断技术研究。上海:同济大学，2007
[8]特南鲍姆，西尔瓦五世，兰福德。非线性降维的全球几何框架[。科学，2000，290(5500): 2319-2323
[9]胡守仁。神经网络导论[。长沙:国防大学出版社，1993
[10]耿。高级支持向量机分类和表达[OL]。1998年，5