一类非稳定工况的多模态数据驱动故障诊断方法研究

The existing fault diagnosis technologies are mostly designed for single stable operating conditions, which are not suitable for the wide rage of unstable cases. To this end, studies would be focus on: 1) to carry out dual multi-mode research including multi-mode of electric motor and multi-mode required for cutting system, taking a class of typical non-steady conditions (such as machining electric drive systems) as the background, and using the data-driven fault diagnosis theory as means: extending the traditional methods represented by PCA/PLS、SVM and ELM, researching multi-mode modeling and fault diagnosis methods in the situation of adequate sampling, building unified diagnostic methods for multi-mode processes based on small samples, establishing integrated fault diagnosis methods based on dual multi-modal processes; 2) based on the multivariate statistical analysis and machine learning method, combined with information fusion technology, to solve the deep-seated theoretical problems of existing data-driven multi-mode fault diagnosis methods, such as the representation of mapping relationship between latent variable projection spaces and fault characteristics in multi-level principal component analysis, mode division with time sequence and off-line model based on non-Gaussian nonlinear historial data, the construction of hierarchical structure of multiple neural networks in the integrated diagnosis model of multi-layer dynamic neural network, the coupling mechanism modeling for dual multi-mode and so on. Strive to achieve a number of innovative research results, and lay a solid foundation for the popularization and application of the technology in practice.

现有故障诊断技术大多仅考虑单一稳定的运行工况，对于实际中广泛出现的非稳定工况常常显得不能适用。为此，将重点研究：1）以一类典型的非稳定工况(如机械加工电力拖动系统)为背景，以数据驱动故障诊断理论为手段，开展包含电动机多模态及与切削系统需求多模态的双多模态故障诊断方法研究：扩展以PCA/PLS、SVM、ELM为代表的传统方法，研究充分采样下多模态故障诊断方法，建立小样本情况下多模态统一诊断方法，建立双多模态过程的集成化故障诊断方法；2）以多元统计分析和机器学习方法为主，结合信息融合等技术，重点解决现有方法中存在的若干关键科学问题，如多级主元分析中潜变量投影空间和故障特征的映射关系，具有时序性的模态划分和基于非高斯非线性历史数据的离线建模，多层动态神经网络集成诊断模型中多个神经网络间层次结构的构造，双多模态的耦合机理建模等。力争取得一些创新性研究成果，为该技术在实际中的推广应用打下坚实的基础。

本项目按照项目计划任务书，针对非稳定工况多模态过程，以机械加工电力拖动系统为背景，利用深度学习、主元分析、神经网络、聚类分析等数据驱动方法，围绕系统噪声滤波、多模态运行故障检测等开展故障诊断理论方法及技术应用研究。.(1)对PCA/PLS为代表的多元统计方法进行扩展，研究应用于单模态和多模态的故障诊断方法。针对复杂工业系统动态非线性过程故障检测精度低和计算量大的问题，利用不可区分度剔除相关程度较小的变量，通过核主元分析提取非线性空间相关特征。.(2)针对电力拖动系统的多模态特性，研究满足实际稳定工况和实际过渡工况的多模态建模和故障诊断新方法。对于多时段间歇过程模糊过渡区域不能严格划分问题，研究基于k-means最佳聚类的过渡软时段划分方法。利用随机投影对数据进行降维处理，基于各个子时段数据的k近邻方法建立实时监控模型，实现间歇生产过程的在线监测。.(3)为提取时域数据中涉及的异常特征的潜在频率，提出了基于多模态特征融合的深度学习方法。首先通过三个独立的深度神经网络提取与原始数据、斜率数据和曲率数据相对应的多峰特征。然后，通过多模态特征融合获得新的融合特征，该融合特征可以表征时域数据中涉及的潜在频率特征。该融合特征被用作Softmax分类器的输入，以实现频率类型故障数据的实时在线诊断。.(4)围绕系统噪声滤波，研究非线性非高斯信息滤波算法，在讨论不动点更新滤波算法敛情况基础的上，提出Steffensen加速迭代算法和极大相关熵准则的平方根容积信息滤波算法，并新增基于多传感器故障信息的容错估计方法研究。在应用方面，研究了一种电动机拖动调速器的保护装置，该装置减少了设备运行故障。.项目组成员经过四年的研究，参加学术会议9次，承办学术会议1次，开展国内外学术交流5次，发表学术论文24篇（SCI收录5篇，EI收录9篇），获国家实用新型专利1项、申请国家发明专利1项，出版学术专著1部，培养博士硕士研究生14人，完成了任务书规定内容。