基于精确型高度函数的旋转机械振动参数图形细粒度故障识别方法研究

The vibration parameter image of rotating machinery contains plenty of running state information, however, it mostly relies on manual analysis and doesn’t achieve the online automatic recognition. In this project, the exact height functions description method will be studied to directly extract and excavate the fault information in the vibration parameter images of the rotating machinery. Through the rotor dynamics simulation and the verification of the measured data, the fine-grained mapping rule between the complexity of the parameter images and the categories and relative severities of the faults is revealed. The automatic construction and purification algorithms of parameter images based on back projection and frequency of gray histogram are designed to automatically reduce the noise and restore the real parameter images. The feature extraction and dimension reduction method of parametric images is proposed based on exact height functions after exploring the influence mechanism of local deformation and edge noise of the parameter images on the shape descriptor. The matching cost function between feature point sets of parameter images is studied. Based on the parallel dynamic programming algorithm, the optimal correspondence between point sets is obtained, and the shape complexity is introduced to modify the shape distance between parameter images. A parallel matching algorithm of parameter images based on exact height functions is designed to improve the matching precision and efficiency. Finally, the fine-grained fault diagnosis for the rotating machinery based on the vibration parameter image recognition is realized, and the existing fault diagnosis method is expanded to further improve the accuracy, robustness and the intelligent level of the fault diagnosis.

旋转机械振动参数图形蕴含了大量运行状态信息，但多依赖人工分析，并未实现参数图形的在线自动识别。本项目拟研究精确型高度函数描述方法以直接提取和挖掘旋转机械振动参数图形中的故障信息，通过转子动力学建模仿真与实测数据验证，揭示参数图形复杂度与故障类别及其严重程度之间细粒度的映射规律；设计基于灰度直方图反向投影与频数的参数图形自动构建与提纯算法，以剔除噪声并还原真实的参数图形；探索参数图形局部形变与边缘噪声对形状描述子的影响机理，提出基于精确型高度函数的参数图形特征提取与降维方法；研究参数图形特征点集间的匹配代价函数，基于并行动态规划算法求解点集间最优对应关系，并引入形状复杂度修正参数图形间形状距离，设计基于精确型高度函数的参数图形并行匹配算法，以提高匹配精度和效率。最终实现基于振动参数图形识别的旋转机械细粒度故障诊断，拓展现有故障诊断方法，进一步提升诊断的准确性、鲁棒性与智能化水平。

针对旋转机械振动参数图形所蕴含的运行状态信息主要依赖人工分析，未实现在线自动识别的问题，本项目研究了振动参数图形的自动识别方法以实现旋转机械细粒度的故障诊断。通过转子动力学建模仿真与实测数据验证，揭示了振动参数图形与故障类别及其严重程度之间的映射规律，给出了细长度、弯曲度、圆环宽度比、幅角跨度比、最小曲率半径等表征参数图形复杂度的指标，以评价不同故障严重程度；设计了参数图形构建与提纯算法，建立了按故障类别及其严重程度两级归类的仿真与实测细粒度图形库。.设计了精确型高度函数（EHF）形状描述子，结合轮廓特征点的几何特性显著性，研究了形状精度理论，探索了参数图形局部形变与边缘噪声对形状描述子的影响机理；提出了基于EHF的参数图形特征提取与降维方法，研究了基于形状复杂度的参数图形间相似度评价方法，并设计了基于动态规划的并行形状匹配算法和细粒度故障诊断方法；融合Fourier变换、三角形质心距离设计了精确傅里叶高度函数改进描述子、精确型高度函数与三角形质心距离混合描述子，设计了基于支持向量机的轴心轨迹识别算法。5个形状匹配公共数据库与自建轴心轨迹图形库的测试结果表明EHF参数图形匹配准确率优于其他描述子，并将其推广应用于列车故障、服装款式、织物缺陷等检测场景。.设计了基于互补集合经验模态分解与Wigner-Ville分布、二阶时间再分配多同步压缩变换（STMSST）等高分辨率时频图像生成算法，提出了基于多同步压缩变换与稀疏特征编码的故障诊断方法，设计了基于STMSST与均匀小批量训练的卷积神经网络故障诊断模型。并在CWRU、MFPT、实测扬声器纯音检测数据集上进行了验证。总之，基于振动参数图形识别的旋转机械细粒度故障诊断，拓展了现有故障诊断方法，进一步提升了诊断的准确性、鲁棒性与智能化水平。.项目执行期间，发表了期刊论文18篇，会议论文1篇，其中SCI收录7篇，EI收录4篇；申请发明专利2项，已授权1项；获科技奖励2项；培养了硕士研究生10名。