滾動軸承是旋轉(zhuǎn)機(jī)械設(shè)備的重要部件,在機(jī)械設(shè)備中起著支撐軸及軸上零件、保持軸的正常工作位置和旋轉(zhuǎn)精度等作用,廣泛應(yīng)用于工業(yè)領(lǐng)域的各個方面。據(jù)統(tǒng)計,滾動軸承是旋轉(zhuǎn)機(jī)械中最易損壞的零部件之一,其工作狀態(tài)直接影響到整臺設(shè)備甚至生產(chǎn)線的運轉(zhuǎn)。因此,采用有效的方法對滾動軸承的運行狀態(tài)進(jìn)行監(jiān)測及診斷,對于機(jī)械設(shè)備的穩(wěn)定運行有著重要的意義。然而,在滾動軸承的故障診斷中,由于設(shè)備運行過程產(chǎn)生的振動、現(xiàn)場環(huán)境的噪聲和測量誤差等因素的影響,實際采集的滾動軸承振動信號往往表現(xiàn)出非線性和非平穩(wěn)性,所提取的特征數(shù)據(jù)出現(xiàn)遠(yuǎn)離群體的異常值,這些異常數(shù)據(jù)對建模過程產(chǎn)生了不同程度的影響,導(dǎo)致建立的模型與實際情況之間存在偏差,影響故障診斷的準(zhǔn)確性。針對上述問題,本文提出了基于優(yōu)化加權(quán)的代理判別模型（Agent discriminate model based optimization weighted,簡稱ADMOW）。該方法根據(jù)各項特征參數(shù)的貢獻(xiàn)度對樣本特征值賦予一定的權(quán)值,以此弱化異常數(shù)據(jù)導(dǎo)致的模型偏差,然后根據(jù)各項特征值間的相互內(nèi)在關(guān)系建立基于Kriging函數(shù)的代理判別模型,并通過優(yōu)化算法對模型的參數(shù)進(jìn)行優(yōu)化,進(jìn)一... 

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景及意義
    1.2 滾動軸承故障診斷技術(shù)的發(fā)展
        1.2.1 發(fā)展歷史
        1.2.2 研究現(xiàn)狀與發(fā)展趨勢
    1.3 智能診斷技術(shù)的研究現(xiàn)狀
        1.3.1 基于聚類分析的智能診斷技術(shù)
        1.3.2 基于人工神經(jīng)網(wǎng)絡(luò)的智能診斷技術(shù)
        1.3.3 基于支持向量機(jī)的智能診斷技術(shù)
        1.3.4 基于變量預(yù)測模型的智能診斷技術(shù)
    1.4 本文的主要研究內(nèi)容及結(jié)構(gòu)安排
        1.4.1 本文的主要研究內(nèi)容
        1.4.2 本文的結(jié)構(gòu)安排
第二章 基于優(yōu)化加權(quán)的代理判別模型
    2.1 概述
    2.2 異常值定義
    2.3 Kriging代理判別模型
    2.4 ADMOW模型
        2.4.1 ADMOW模型的建立
        2.4.2 ADMOW模型的訓(xùn)練
        2.4.3 ADMOW模型的分類測試
    2.5 本章小結(jié)
第三章 特征加權(quán)方法及其在代理判別模型中的應(yīng)用
    3.1 概述
    3.2 局部特征尺度分解方法
    3.3 基于特征評價的特征加權(quán)方法
        3.3.1 特征評價原理
        3.3.2 基于特征評價的加權(quán)代理判別模型在滾動軸承故障診斷中的應(yīng)用
    3.4 基于熵權(quán)法的特征加權(quán)方法
        3.4.1 熵權(quán)法原理
        3.4.2 基于熵權(quán)法的加權(quán)代理判別模型在滾動軸承故障診斷中的應(yīng)用
    3.5 本章小結(jié)
第四章 基于PSO的 ADMOW方法及其應(yīng)用
    4.1 概述
    4.2 PSO算法
        4.2.1 PSO算法原理
        4.2.2 粒子搜索空間的維數(shù)選擇
        4.2.3 粒子的適應(yīng)度函數(shù)選擇
        4.2.4 其他參數(shù)的設(shè)定
    4.3 基于PSO的 ADMOW方法在滾動軸承故障診斷中的應(yīng)用
        4.3.1 結(jié)合特征評價和PSO算法的ADMOW方法
        4.3.2 結(jié)合熵權(quán)法和PSO算法的ADMOW方法
    4.4 本章小結(jié)
第五章 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
碩士期間參與項目及學(xué)術(shù)成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于特征加權(quán)的代理判別模型模式識別方法[J]. 潘海洋,鄭近德,郭雨怡.  計算機(jī)應(yīng)用研究. 2019(06)
[2]基于徑向基函數(shù)的變量預(yù)測模型模式識別方法[J]. 潘海洋,楊宇,鄭近德,程軍圣.  航空動力學(xué)報. 2017(02)
[3]Kriging模型及代理優(yōu)化算法研究進(jìn)展[J]. 韓忠華.  航空學(xué)報. 2016(11)
[4]基于粒子群算法優(yōu)化的獨立分量分析算法[J]. 李良敏,任景巖.  振動與沖擊. 2015(08)
[5]嵌入式指紋識別系統(tǒng)的設(shè)計及試驗研究[J]. 畢雪芹,蘇艷娟,王琪.  國外電子測量技術(shù). 2015(02)
[6]基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷[J]. 姜濤,袁勝發(fā).  華中農(nóng)業(yè)大學(xué)學(xué)報. 2014(01)
[7]基于PF能量特征和優(yōu)化神經(jīng)網(wǎng)絡(luò)的軸承診斷[J]. 潘陽,陳安華,何寬芳,李學(xué)軍,曾波.  振動.測試與診斷. 2013(S1)
[8]基于局部特征尺度分解的經(jīng)驗包絡(luò)解調(diào)方法及其在機(jī)械故障診斷中的應(yīng)用[J]. 程軍圣,鄭近德,楊宇.  機(jī)械工程學(xué)報. 2012(19)
[9]局部特征尺度分解方法及其在齒輪故障診斷中的應(yīng)用[J]. 程軍圣,楊怡,楊宇.  機(jī)械工程學(xué)報. 2012(09)
[10]一種新的非平穩(wěn)信號分析方法——局部特征尺度分解法[J]. 程軍圣,鄭近德,楊宇.  振動工程學(xué)報. 2012(02)

博士論文
[1]局部特征尺度分解方法及其在機(jī)械故障診斷中的應(yīng)用研究[D]. 鄭近德.湖南大學(xué) 2014
[2]基于計算智能技術(shù)的聚類分析研究與應(yīng)用[D]. 張建萍.山東師范大學(xué) 2014
[3]基于PSO的多目標(biāo)優(yōu)化算法研究及應(yīng)用[D]. 金欣磊.浙江大學(xué) 2006

碩士論文
[1]旋轉(zhuǎn)機(jī)械故障同步振動模型及無線振動傳感系統(tǒng)的研究[D]. 周羽佳.哈爾濱工業(yè)大學(xué) 2016
[2]基于TRMM的天山山區(qū)降水降尺度方法及其空間變異特征研究[D]. 王曉杰.石河子大學(xué) 2013
[3]基于統(tǒng)計分布模型的滾動軸承故障特征提取方法研究[D]. 姜海燕.湖南工業(yè)大學(xué) 2011
[4]基于小波分析的電機(jī)故障信號診斷研究[D]. 劉蕾蕾.哈爾濱理工大學(xué) 2007



本文編號：3666620