刘 力

(延安职业技术学院机电工程系,陕西 延安 716000)

旋转类设备结构较为复杂，在企业设备总量中占有较大的比例，因此做好旋转机械设备的在线监测和故障预防[1-2]，对于保证企业设备安全运行意义重大。旋转类设备正常运行与带故障运行的振动频率存在差异，结合设备振动信号的时频特征和原始故障机理，能够确定出故障的位置、类别及严重程度[3]。在线故障监测的难度在于短时间内要处理海量的样本数据[4]，对于算法的降噪能力、信号分解能力有更高的要求。基于传感器故障数据集的特征提取，在故障鉴别的准确率上要明显优于传统人工检修模式[5]，同时还能降低故障检修的人工成本，减少设备停机的时间。随着机械设备复杂程度的提高和实际作业时间的延长，故障数据集的规模越来越大[6]，给在线故障数据采集和分析带来更多的困难。现有的故障在线诊断模式包括基于模式识别的故障诊断方案[7]和基于信号分解与时频转换的故障诊断方案[8]。文献[9]提出了基于ANN(人工智能神经网络)的故障诊断方法，该方法模拟人脑神经网络的工作模式,模糊处理和训练故障大数据集合。文献[10]提出了基于LS-SVM(最小二乘支持向量机)的故障分类诊断方法，利用机器学习在故障数据处理效率方面的优势实现故障的在线诊断。上述方法都采用了窗函数截取模式[11]，在多分量信号分析时时频谱会出现交叉，影响了故障识别精度与故障诊断的效果。……