面向复杂机械设备状态辨识的振动信号特征语义分析方法研究

The revolution of complex machinery condition monitoring and state identifying faces some challenges including the signal feature semantic ambiguity , semantic gap , semantic differences, and lack of semantic. Aiming to these challenges, this project is proposed to establish the relationship of signal character semantic in structure hierarchy and multi-modal space, and to develop the comprehensive technology of character semantic measurement, perception and reasoning, and to achieve semantic -centric complex machinery status identification and dynamic fault track. The project is expended from the following aspects: (1)The vibration signal character semantic is enhanced under the variable conditions and random environment interference, to improve the robustness of the feature ontology in presenting the equipment state.(2)The character semantic transformation mechanism is set up in the equipment structure hierarchy topological space, to deeply mine character semantic.(3)The semantic interaction and integration technology is developed in different mode subspace, to realize semantic features cross-modal mining.(4)The method of semantic character detection is explored with fuzzy kernel clustering and relevance tensor machine and active learning, to automatically identify the equipment condition in the support of semantic environment. (5)The perceptual model driven by the relationship of characters and semantic is established under the lack of character data and semantic knowledge, to track the condition of complex machinery equipment.

针对复杂机械状态辨识中遇到的信号特征语义模糊、语义鸿沟、语义差异、及语义匮乏等问题，课题以振动信号特征的语义关联性为切入点，以信号特征语义的分析理解为中心，发展特征语义的全面挖掘、自动测度与推理感知技术。课题首先提出振动信号特征在变工况、随机干扰及状态环境变化情况下的语义增强方法；建立自下而上的特征本体到高层特征语义的语义映射机制，掌握特征语义在不同层次结构中的变换及传递规律；分析信号特征跨模式语义投射机制，探究不同模式特征的语义交互融合技术；研究模糊核聚类相关张量机与主动学习相结合的特征语义的自动检测方法，完成在语义形态空间中的设备状态自动辨识；在特征数据或语义知识匮乏情况下，揭示基于特征关联与语义关联共同驱动的设备状态感知机理，实现语义环境支撑下的复杂机械设备状态的辨识追踪。

项目对复杂机械设备振动特征之间的关联语义开展l研究，从特征非线性关联的角度对设备状态进行评估诊断，在获得国家自然科学基金资助后，该项目进展顺利。项目以转子系统的为研究对象，对不同方位、不同方向上的转子振动信号特征进行了关联融合，达到了时频特征在设备层次结构上的语义融合的目的。采用基于非线性核函数的多变量预测模型对不同域、不同分析方法提取的多模式特征之间的交互关系进行了拟合分析，实现了特征信息的互联互通，解决了信息孤岛问题，并采用集成加权多变量预测模型分析方法实现了滚动轴承各类故障在特征空间中的联动映射。采用特征张量的表示方法对多源异构特征进行了统一表征与约简，促进异构特征之间的交互、共享和重用，并引入了支持张量机学习算法建立了特征张量与设备故障之间的映射关系，保证了设备状态辨识的一致性和鲁棒性。在特征数据与语义知识匮乏的情况下，开发了小波域的支持张量描述方法，对齿轮箱异常状态进行了自动检测。提出了基于重构误差概率分布系数分解表示方法，达到了不同方位、不同模式、不同分布以及不同体量的信号特征进行了统一关联融合的目的，并在列车轴箱轴承的故障状态辨识中得到了成功的应用，全面提高旋转机械设备的故障诊断与健康管理水平。综合上述结果，本研究为探讨基于特征语义关联分析的设备状态追踪辨识奠定了坚实的工作基础，有望在大型复杂机械设备的状态监测中进行推广应用。