本文關(guān)鍵詞：特征優(yōu)化方法研究及其在軸承故障診斷中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著制造業(yè)技術(shù)的發(fā)展和需求的不斷提升,人們對(duì)制造裝備和機(jī)械產(chǎn)品的安全性、可靠性要求越來越高,需求的提升帶來了現(xiàn)代機(jī)械設(shè)備的復(fù)雜度、精密度、集成度也越來越高。最近十年的科技發(fā)展,特別是人工智能技術(shù)的發(fā)展也深刻的影響著機(jī)械設(shè)備對(duì)智能化的需求。機(jī)械設(shè)備故障診斷作為保障機(jī)械設(shè)備特別是大型機(jī)械設(shè)備可靠運(yùn)行的關(guān)鍵技術(shù),其重要性正不斷的得到凸顯。另外,設(shè)備發(fā)生故障后不僅導(dǎo)致生產(chǎn)中斷和經(jīng)濟(jì)損失,增加企業(yè)的運(yùn)營(yíng)成本,嚴(yán)重時(shí)會(huì)導(dǎo)致人員傷亡、環(huán)境污染等重大的社會(huì)影響。隨著機(jī)械設(shè)備越來越復(fù)雜,工業(yè)機(jī)器人等人工智能體隊(duì)伍越來越龐大,傳統(tǒng)的基于信號(hào)時(shí)間序列和頻域分析的機(jī)械故障診斷方法越來越難以滿足大數(shù)據(jù)環(huán)境下的機(jī)械設(shè)備實(shí)時(shí)診斷和監(jiān)測(cè)需求,使得基于特征的方法越來越得到廣大工程師和研究人員的親睞。另外,伴隨著數(shù)據(jù)的越來越多,數(shù)據(jù)種類也隨之越來越多,傳統(tǒng)的方法明顯已經(jīng)無法滿足先進(jìn)設(shè)備故障診斷的要求,而現(xiàn)代模式識(shí)別技術(shù)是人工智能的產(chǎn)物,是解決大數(shù)據(jù)、多維特征的好方法。因此,將基于特征優(yōu)化的方法應(yīng)用于機(jī)械故障診斷領(lǐng)域?qū)⒂兄鴱V闊的發(fā)展和應(yīng)用空間�；谔卣鲀�(yōu)化的方法不僅擺脫了多維機(jī)械設(shè)備信號(hào)間很多傳統(tǒng)方法無法解釋的問題,更為數(shù)據(jù)融合和模式識(shí)別提供的空間和方法。特征作為模式識(shí)別的基礎(chǔ),特征的結(jié)構(gòu)對(duì)模式識(shí)別方法有著重要的影響,因此,研究特征優(yōu)化方法對(duì)于模式識(shí)別有著重要的意義,基于這些考慮,本文的主要內(nèi)容和結(jié)論如下:(1)從機(jī)械設(shè)備發(fā)展的方向以及工業(yè)社會(huì)中人工智能趨勢(shì)出發(fā),聯(lián)系到機(jī)械故障診斷技術(shù)在現(xiàn)代工業(yè)社會(huì)的重要性,闡述了論文選題的背景和意義。以軸承這一機(jī)械結(jié)構(gòu)的核心部件,研究特征優(yōu)化方法在機(jī)械故障診斷領(lǐng)域的應(yīng)用。從特征選擇和特征提取兩個(gè)方面介紹了特征優(yōu)化方法。(2)介紹了基于Bayesian方法的特征選擇模型,將余弦距離度量引入支持向量機(jī)中,使得新的特征選擇模型不僅具有特征選擇的能力,還具有在選擇特征的同時(shí)對(duì)特征空間進(jìn)行優(yōu)化,能夠同步實(shí)現(xiàn)特征約簡(jiǎn)和減小類內(nèi)距離和類間距離的比值。另外,在理論上推導(dǎo)出來本方法的Bayesian決策特性,同時(shí)采用數(shù)值迭代方法實(shí)現(xiàn)了模型中參數(shù)的優(yōu)化。(3)提出了基于小波圖像融合的特征選擇方法。將圖像融合技術(shù)引入軸承故障診斷中的特征提取過程,針對(duì)軸承故障的特點(diǎn)設(shè)計(jì)專門的特征提取方法,使得特征提取方法在本質(zhì)上具有較強(qiáng)的降噪能力和區(qū)分度,使得提取的模式能夠很容易的被識(shí)別。(4)用實(shí)驗(yàn)的方法證明了特征優(yōu)化方法的正確性和實(shí)用性。通過軸承試驗(yàn)臺(tái)的數(shù)據(jù),采用基于Bayesian優(yōu)化的特征選擇方法和基于小波圖像融合的特征提取方法對(duì)軸承故障進(jìn)行的有效的診斷。另外,對(duì)于基于小波圖像融合方法抗躁性,通過在原始信號(hào)的中添加白噪聲的方式,驗(yàn)證了該特征提取方法在能夠在強(qiáng)背景噪聲中依然能夠提取出較好的特征用于故障診斷。
【關(guān)鍵詞】：故障診斷 Bayesian模型 支持向量機(jī) 余弦相似性測(cè)度 特征選擇 特征提取
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TH133.3;TP18
【目錄】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 緒論10-16
• 1.1 課題概述10-12
• 1.1.1 課題來源10
• 1.1.2 課題意義10-12
• 1.2 國(guó)內(nèi)外研究現(xiàn)象綜述12-14
• 1.2.1 特征優(yōu)化方法12-13
• 1.2.2 特征優(yōu)化方法在機(jī)械故障診斷中的應(yīng)用13-14
• 1.3 主要研究?jī)?nèi)容及技術(shù)路線14-15
• 1.3.1 問題的提出14
• 1.3.2 研究?jī)?nèi)容及技術(shù)路線14-15
• 1.3.3 論文內(nèi)容安排15
• 1.4 本章小結(jié)15-16
• 第二章 基于Bayesian優(yōu)化的特征選擇模型16-26
• 2.1 引言16-17
• 2.2 數(shù)學(xué)基礎(chǔ)17-19
• 2.2.1 支持向量機(jī)17-18
• 2.2.2 余弦距離測(cè)度18-19
• 2.3 基于Bayesian優(yōu)化的特征選擇模型19-20
• 2.4 模型的Bayesian特性20-22
• 2.5 特征權(quán)重學(xué)習(xí)算法22-25
• 2.6 本章小結(jié)25-26
• 第三章 基于小波圖像融合的特征提取方法26-40
• 3.1 引言26-29
• 3.1.1 基于軸承故障模型的故障診斷方法26-28
• 3.1.2 基于機(jī)器學(xué)習(xí)方法的故障診斷28-29
• 3.2 融合圖像構(gòu)建29-33
• 3.2.1 功率譜計(jì)算30-31
• 3.2.2 基于Hankel矩陣的圖像融合31-33
• 3.3 特征選擇和圖像融合過程33-38
• 3.3.1 基本圖像的融合33-34
• 3.3.2 與基本圖像融合方法34-36
• 3.3.3 在線診斷圖像融合方法36-38
• 3.3.4 特征提取方法38
• 3.4 本章小結(jié)38-40
• 第四章 特征優(yōu)化方法在軸承故障診斷中的應(yīng)用40-53
• 4.1 引言40
• 4.2 試驗(yàn)一加速疲勞試驗(yàn)40-46
• 4.2.1 實(shí)驗(yàn)設(shè)備41-43
• 4.2.1.1 軸承加速疲勞試驗(yàn)臺(tái)41-42
• 4.2.1.2 試驗(yàn)軸承及測(cè)試條件42-43
• 4.2.1.3 實(shí)驗(yàn)數(shù)據(jù)采集及測(cè)試系統(tǒng)43
• 4.2.2 特征選擇方法在軸承故障診斷中的應(yīng)用43-44
• 4.2.3 實(shí)驗(yàn)結(jié)果分析44-46
• 4.3 試驗(yàn)二滾動(dòng)軸承人工故障試驗(yàn)46-52
• 4.3.1 試驗(yàn)對(duì)象及設(shè)備46-49
• 4.3.2 試驗(yàn)方案和操作流程49
• 4.3.3 特征提取方法在軸承故障診斷中的應(yīng)用49-52
• 4.3.3.1 樣本訓(xùn)練49-50
• 4.3.3.2 樣本測(cè)試50
• 4.3.3.3 在線診斷50
• 4.3.3.4 抗噪聲測(cè)試50-51
• 4.3.3.5 對(duì)比實(shí)驗(yàn)51-52
• 4.4 本章小結(jié)52-53
• 第五章 研究工作總結(jié)及展望53-55
• 5.1 研究工作總結(jié)53-54
• 5.2 主要?jiǎng)?chuàng)新點(diǎn)54
• 5.3 研究工作展望54-55
• 參考文獻(xiàn)55-61
• 致謝61-62
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文和科研成果62-64

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 王華,李介谷;人臉斜視圖象的特征提取與恢復(fù)[J];上海交通大學(xué)學(xué)報(bào);1997年01期

2 黃麗莉;皋軍;;基于局部加權(quán)的非線性特征提取方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S1期

3 徐f ,邱道尹,沈憲章;糧倉(cāng)害蟲的特征提取與分類的研究[J];鄭州工業(yè)大學(xué)學(xué)報(bào);2000年04期

4 張焱;張志龍;沈振康;;一種融入運(yùn)動(dòng)特性的顯著性特征提取方法[J];國(guó)防科技大學(xué)學(xué)報(bào);2008年03期

5 張輝;林建華;;網(wǎng)上交易歷史記錄的特征提取[J];企業(yè)科技與發(fā)展;2008年18期

6 劉美春;趙敏;謝勝利;;基于鄰域空間模式的運(yùn)動(dòng)相關(guān)電位特征提取方法[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年10期

7 王天楊;程衛(wèi)東;李建勇;;基于3種測(cè)度值的特征提取方法優(yōu)化評(píng)價(jià)[J];儀器儀表學(xué)報(bào);2010年04期

8 李霆,吉小軍,李世中,彭長(zhǎng)清,宋壽鵬;回歸譜特征提取與識(shí)別效果分析[J];探測(cè)與控制學(xué)報(bào);1999年04期

9 王智文,謝國(guó)慶;圖像中點(diǎn)、線、面特征提取[J];廣西工學(xué)院學(xué)報(bào);2005年03期

10 朱永嬌;;漢字特征提取的量化研究[J];科學(xué)技術(shù)與工程;2007年10期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學(xué)芳;;人臉識(shí)別中特征提取的一種改進(jìn)方法[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

4 杜栓平;曹正良;;時(shí)間—頻率域特征提取及其應(yīng)用[A];2005年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運(yùn)動(dòng)目標(biāo)的分割與特征提取[A];全國(guó)第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議專刊[C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

7 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國(guó)機(jī)械工程學(xué)會(huì)年會(huì)論文集[C];2005年

9 劉紅;陳光

本文編號(hào)：251752