协同移不变稀疏特征增强及机械传动装置复杂信号特征提取研究

The condition signal of mechanical transmission device presents weak and coupling. The feature extraction and identification of this complex signal is the key to develop the fault diagnosis technology of mechanical transmission device. Sparse learning can extract and separate the fault characteristics, but its authenticity, precision and robustness make it difficult to achieve effective feature enhancement and high precision feature extraction. Focusing on these issues, this project intends to deeply investigate a shift-invariant sparse (SIS) learning method with multi-information synergistic analysis, which simultaneously utilizes the mode shift invariant and structure sparse to enhance the characteristic of the complex signal for feature extraction and fault diagnosis. The project includes three parts as: 1) construct the SIS learning optimization strategy with the multi-domain information synergy, and investigate the weak feature enhancement and de-noising method with the invariant local structure as the objective function, 2) construct a SIS model with multi-mode synergistic sensing, in which the manifold data mode and mechanism model mode are deeply synergized at the feature-layer to decouple and separate the complex signal, 3) study the synergistic SIS model with multiple information supported, and establish the representation mechanism and diagnosis approach based on the invariant sparse feature. This project is expected to provide theoretical bases and technical supports for high-accuracy, high-efficient machinery feature extraction and fault diagnosis.

机械传动装置的状态信号表现出微弱性和耦合性，对该类信号特征的提取与辨识是发展机械传动装置故障诊断技术的关键。稀疏学习能够提取并分离出故障信息，但其真实性、精准性、鲁棒性不足导致难以实现有效的特征增强与高精度特征提取。针对此问题，本项目拟研究一种多信息协同移不变稀疏学习方法，在多信息协同分析的基础上深度联立模态移不变和结构稀疏，实现机械传动装置复杂信号特征提取及诊断。具体内容包括：1）建立多域信息协同的移不变稀疏学习优化策略，研究以移不变局部结构保持为目标函数的微弱特征增强与去噪方法；2）建立多模态协同感知的移不变稀疏模型，研究利用流形数据模态和机理模型模态在特征层上的深度融合实现复杂信号的解耦与分离方法；3）研究多信息协同移不变稀疏学习模型，构建多信息协同下的移不变稀疏特征表示机制与诊断方法。通过项目研究期望为实现高效、高精度的机械传动装置特征提取和故障诊断提供新的理论基础和技术支撑。

机械传动装置早期故障的发生和复杂部件的耦合使测取的状态信号表现出微弱性和耦合性，对该类信号特征的有效提取与辨识是发展机械传动装置故障诊断技术的关键。针对该问题，项目聚焦于稀疏学习在提取出并分离出故障信息面临精准性、鲁棒性、真实性不足问题，开展了如下研究：1)研究一种多信息协同的移不变稀疏学习方法，通过对故障模态特征建模实现多域模态特征诊断分析；2)基于数据模态和模型模态同步分析，提出模态协同卷积移不变稀疏学习理论框架及诊断方法；3)建立了人工智能驱动下的网络多尺度集成学习理论和方法，提出了非平稳工况和不确定工况下数据鲁棒性结构非线性多核感知与表征方法，完成了不确定工况下机械设备状态智能辨识。该项目通过对传动系统关键件故障模态特征建模分析，创新的构建了反映信号模态移不变和结构稀疏的协同移不变稀疏学习框架与理论；进一步研究多信息协同下的移不变稀疏学对复杂信号特征的表示机制，提出了多域多模态协同驱动下齿轮箱故障信号卷积移不变稀疏理论与方法，最终通过多模态多域感知实现了不确定工况下齿轮箱模态特征增强及模式的精准辨识。通过项目研究期望为实现高效、高精度的机械传动装置特征提取和故障诊断提供新的理论基础和技术支撑。. 此外项目在执行期间共发表SCI/EI论文共计16篇，公开/授权专利7项，项目经费执行率86%，成果同时支持了包括国家重点研发子课题在内的9个项目的申请与实施，同时还支持了安徽省自然科学二等奖以及中国机械工业科技进步一等奖的申报与获取。