基于频谱数据驱动的复杂机电耦合系统故障诊断方法及应用研究

Large-scale manufacturing equipment is a kind of complex electromechanical couping system which has complex characteristics such as nonlinearity, multivariate and closed-loop, so the analytical model can not be obtained. A variety of spectral features can be used for fault diagnosis of complex electromechanical coupling system, but signal-based spectral methods unable describe the change of nonlinear frequency characteristic. The existing nonlinear spectral methods have some problems such as calculated amount expansion. This application will research the problem of nonlinear spectrum estimation, and will propose the methods to eliminate the data correlation and optimize the excitation signal. Meanwhile, a new modeling method for nonlinear feature spectrum will be established, and a multi-dimensional spectrum feature extraction method of large-scale electromechanical system will be proposed according to system decomposition and multi-block kernel principal component analysis. The conversion method from nonlinear spectrum feature to evidence will be presented, and the new synthesis and decision rules of conflict evidence will be proposed. A multiclass fault recognition method will be developed based on multi-spectrum fusion support vector machine. The fault diagnosis problem of large scale numerical control equipment drive system will be studied using the nonlinear spectrum method. The achievements of this project could be used for large-scale numerical control equipment and others electromechanical coupling systems.

大型制造装备是一类复杂机电耦合系统，具有非线性、多变量、闭环等特性，其解析模型无法准确获得。对复杂机电耦合系统可利用多种频谱特征进行故障诊断，但信号频谱法无法描述非线性频率特性变化，现有的非线性频谱方法存在计算量膨胀等问题。本申请将研究闭环系统的非线性频谱估计问题，提出消除数据相关性与激励信号优化方法；同时，建立一种新的非线性特征谱建模方法，并通过系统分解与多块核主元分析，提出大型机电系统的多维频谱特征提取方法。建立非线性谱特征到证据体的转换方法，面向复杂故障提出新的冲突证据合成与决策规则，并发展基于多谱融合支持向量机的多故障识别方法。将利用非线性频谱方法研究大型数控装备传动系统故障诊断问题。本项目的成果既可用于大型数控装备，还可用于其它机电耦合系统。

大型制造装备是一类复杂机电耦合系统，具有非线性、多变量、闭环等特性，很难建立起准确的解析模型，因此传统故障诊断方法难以解决这类复杂机电系统的故障诊断问题。非线性频谱故障诊断方法具有物理意义明确、鲁棒性强等特点，虽然非线性频谱研究已取得了一些成果，但现有频谱估计方法数据计算量大，无法用到多变量非线性系统，且现有方法都是针对开环系统。. 本项目对非线性频谱估计算法、非线性谱特征提取和基于谱特征的多故障检测等内容进行了研究，利用核主元分析提取谱特征，并采用支持向量机等机器学习方法进行多故障的识别研究。项目还将提出的非线性频谱方法用于数控机床及机器人运行部件的故障诊断，并开发出机电系统远程故障诊断实验平台。. 项目取得的重要结果如下：. 1. 为了解决传统非线性频谱估计方法存在的计算量膨胀问题，提出了一种基于非线性频谱简化模型的自适应估计方法，用于获取单变量和多变量系统的非线性频谱；另外，为了解决非线性频谱的闭环估计问题，提出了一种基于广义频率响应函数的闭环系统非线性频谱估计方法，用于获取闭环条件下被控对象的非线性谱。. 2. 针对复杂机电耦合系统大规模、多变量等特性，建立一种新的非线性特征谱模型，并通过系统分解与多块核主元分析，提出了一种基于多块主元分析的多维频谱特征提取方法。 . 3. 结合非线性谱特征与最小二乘支持向量机，研究了复杂系统的故障检测与识别问题; 建立非线性谱特征到证据体的转换方法，发展了基于多谱融合支持向量机的多故障识别方法。. 4. 针对数控装备及机器人传动系统的故障诊断问题，对传动系统不同状态下的非线性频谱特征进行了分析，将非线性频谱方法用于运动部件诊断中，实验结果表明该方法故障识别率高、实时性好。. 本项研究基于非线性频谱及机器学习理论建立了一套数据驱动的复杂机电系统故障诊断方法及模型，对数据驱动的故障诊断理论研究具有重要意义，同时在机器人、大型数控机床等装备故障诊断方面具有工程应用价值。