论文部分内容阅读
高速自动机运动形态复杂,作业环境恶劣,在高温、高压和高冲击作用下,其性能逐渐退化,严重威胁武器系统的可靠性和可用性。与旋转机械产生的周期振动不同,高速自动机复杂运动形态对应的是一系列特有的短时瞬态冲击。武器系统特殊性导致传统旋转机械状态监测及故障诊断方法很难直接应用于高速自动机,实际应用中迫切需要开发一种与高速自动机复杂系统特性相匹配的状态监测及故障识别方法。本文基于运动形态学分解结合多变量分析理论解决高速自动机动态特性监测、预测及故障诊断问题,通过对实测短时瞬态数据分析验证了研究方法的有效性。本文主要贡献总结如下:(1)针对高速自动机系统特殊性,提出与高速自动机复杂运动特性相匹配的运动形态学分解方法,通过开展高速自动机运动形态时序分析,建立运动形态与短时瞬态冲击序列的对应关系,分离出与目标部件对应的冲击序列。(2)针对高速自动机各部件状态信息与强背景噪声叠加效应带来的微弱故障信息难获取问题,提出了多尺度规范变量分析方法并用于高速自动机动态特性监测,通过考虑时间序列相关性,对每个尺度建立基于规范变量分析的动态监测模型,有效地提取了高速自动机故障冲击特性。(3)为提高规范变量分析对早期微弱故障的敏感特性,提出了规范变量相异度分析方法并用于高速自动机早期故障检测,通过计算过去数据与未来投影数据的偏差作为相异度指标,与原有统计指标互为补充,完善了高速自动机动态特性监测体系。(4)针对多变量预测模型输入输出关系不确定问题,提出了基于最小状态空间学习的多变量LSSVM并用于高速自动机动态特性预测,该方法将原始多变量数据转化到状态空间,利用状态空间与统计指标的函数关系建立多变量预测模型,为多变量预测模型的输入输出选择提供理论依据。(5)提出了一种基于空间统计的多变量EMD模态选择方法,以相同尺度的IMF构建数据空间,通过统计数据空间中IMF的总体变化将多变量数据转化为单一维度,为多变量EMD的最优模态选择提供理论依据。(6)研究了多变量EMD模态对齐特性对特征提取的影响,提出基于多变量EMD排列熵的高速自动机故障诊断方法,以同一状态下的样本变量建立数据矩阵,通过多变量EMD分解促进样本变量间的信息同步与数据融合,计算各IMF的排列熵作为特征向量来识别高速自动机故障模式。(7)讨论了高速自动机与旋转机械的差异及关联,将研究工作推广到旋转机械状态监测与故障诊断,验证了多变量统计及分析方法对旋转机械的适应性。