文 浩,侯保林

(南京理工大学 机械工程学院,南京 210094)

链式输送机是坦克自动装弹机的重要组成部分,是一种结构复杂,工作环境恶劣的机电系统,在使用过程中常出现零部件磨损变形和动力源变化等故障,导致自动装弹机装填性能下降。利用系统运行过程信息进行故障识别能够及时发现此类故障,判断故障发生部位,防止严重失效。

得益于计算机技术与机器学习算法的发展,数据驱动方法在故障识别中得到了广泛应用,其中如何将原始信号转换为敏感特征是一个关键问题。国内、外学者针对连续旋转机械的非平滑振动信号,使用信号分析方法[1-3]进行了大量研究。坦克自动装弹机机电系统不是连续工作的,一般会记录运行过程中诸如位移、速度等时序数据。对于此类系统通常以离散数据的形式采用主成分分析[4]和自动编码器[5]等方法进行特征提取,但忽略了时序数据的平滑特性,因此学者们将视角转向函数型数据分析(Functional data analysis, FDA)。FDA是以函数视角分析时序数据的一种方法,能够将平滑的时序数据视为具有统一结构的连续函数进行信息挖掘[6]。经典的函数型主成分分析(Functional principal component analysis, FPCA)是主成分分析在Hilbert空间的拓展,在故障诊断领域作为特征提取技术得到应用[7-8]。主微分分析(Principal differential analysis, PDA)是FDA中一种简洁的泛函分析方法,通过微分方程反映数据的动态变化特征,主要用于对观测数据的变化过程进行建模[9-10]。而Jang等[11]利用线性微分方程的解集是基础解系张成的线性空间构成的这一原理,将PDA拓展为函数型数据维数约简的另一种方法。……