發(fā)布時間：2017-09-20 07:14

  本文關鍵詞：基于LMD樣本熵和貝葉斯網絡的滾動軸承故障診斷方法

  更多相關文章： 故障診斷 貝葉斯網絡 局部均值分解 差別矩陣 滾動軸承

【摘要】：在機械設備中,滾動軸承作為應用最廣泛的基礎零部件,其運作狀況良好與否直接關系到整個系統(tǒng)的安全生產和功能實現。所以,開展?jié)L動軸承故障診斷技術的研究具有重大意義。論文以滾動軸承振動信號為模型,圍繞故障信號特征提取、屬性約簡、識別分類這三個關鍵問題,研究了基于局部均值分解(Local Mean Decomposition,LMD)樣本熵和貝葉斯網絡的滾動軸承故障診斷方法。首先,針對經驗模式分解(Empirical Mode Decomposition,EMD)方法存在端點效應、模態(tài)混疊和虛假分量的問題,將LMD方法引入到故障信號的特征提取中;針對以信息熵為基礎的幾種常用熵求取過程繁瑣的問題,借助特征篩選準則,利用樣本熵量化生產函數(Production Function,PF)分量的方法刻畫軸承信號的復雜程度,提出了LMD和樣本熵相結合的特征提取方法。該方法可以獲得振動信號不同頻帶上的復雜度信息,將樣本熵值構建成特征向量為軸承的故障識別分類提供了依據。其次,針對經典約簡算法和基于差別矩陣算法在屬性約簡過程中的繁雜性,同時考慮降低算法的復雜度以及衡量各屬性重要度,提出基于類差別矩陣改進屬性重要度的約簡算法。該方法有效地對提取的故障特征信息進行約簡并去除冗余屬性。再次,針對樸素貝葉斯分類器具有條件獨立性假設的缺陷,研究了最大相關最小冗余選擇性貝葉斯分類器和局部加權貝葉斯分類器,提出基于信息熵賦權的屬性加權貝葉斯分類器。該方法考慮每個條件屬性對類屬性的重要性和彼此的相互關聯程度不同,通過將幾種分類器進行對比測試分析,驗證算法的有效性。最后,以Case Western Reserve大學滾動軸承故障數據作為實驗研究對象,利用數學形態(tài)學去噪方法對軸承振動信號進行預處理,同時結合LMD樣本熵特征提取、類差別矩陣改進屬性重要度特征信息約簡、屬性加權貝葉斯分類器識別分類建立診斷模型。實驗結果表明,所提方法能達到良好的診斷效果,能夠有效地用于軸承故障診斷。
【關鍵詞】：故障診斷 貝葉斯網絡 局部均值分解 差別矩陣 滾動軸承
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TH165.3;TH133.33
【目錄】：

• 摘要5-6
• Abstract6-11
• 第1章 緒論11-23
• 1.1 課題研究背景及意義11
• 1.2 滾動軸承故障機理分析11-15
• 1.2.1 滾動軸承的機械結構12-13
• 1.2.2 滾動軸承的失效模式13
• 1.2.3 滾動軸承的振動機理分析13-15
• 1.3 滾動軸承故障診斷技術15-20
• 1.3.1 滾動軸承診斷流程15-16
• 1.3.2 滾動軸承故障特征提取法16-18
• 1.3.3 屬性約簡在故障診斷中的應用18-19
• 1.3.4 滾動軸承故障識別技術19-20
• 1.4 課題來源20
• 1.5 研究思路及研究內容20-23
• 1.5.1 研究思路20
• 1.5.2 研究內容20-23
• 第2章 基于LMD樣本熵的特征提取方法23-45
• 2.1 局部均值理論23-31
• 2.1.1 LMD的基本算法23-26
• 2.1.2 PF分量及其特點26
• 2.1.3 LMD與EMD時頻分析對比26-31
• 2.2 熵的基本概念31
• 2.3 樣本熵理論31-35
• 2.3.1 樣本熵算法及參數選取32-33
• 2.3.2 樣本熵性能測試33-35
• 2.4 基于LMD樣本熵的特征提取方法35-40
• 2.4.1 基于信息熵的特征篩選方法35-37
• 2.4.2 LMD與樣本熵的融合分析37-39
• 2.4.3 基于LMD樣本熵的算法流程39-40
• 2.5 實測振動信號的LMD對比分析40-44
• 2.6 本章小結44-45
• 第3章 基于類差別矩陣改進屬性重要度的約簡算法45-61
• 3.1 粗糙集基本理論45-47
• 3.1.1 知識表達系統(tǒng)45-46
• 3.1.2 近似空間與粗糙集46-47
• 3.1.3 數據離散化47
• 3.2 經典屬性約簡算法47-49
• 3.3 基于差別矩陣的約簡算法49-53
• 3.3.1 傳統(tǒng)差別矩陣法49-50
• 3.3.2 啟發(fā)式信息法50-53
• 3.4 基于類差別矩陣改進屬性重要度的約簡算法53-57
• 3.4.1 類差別矩陣的定義54
• 3.4.2 改進屬性重要度的提出54-55
• 3.4.3 基于類差別矩陣改進屬性重要度約簡算法流程55-56
• 3.4.4 算法對比分析56-57
• 3.5 實驗分析驗證57-60
• 3.6 本章小結60-61
• 第4章 基于貝葉斯分類器的故障識別算法61-75
• 4.1 貝葉斯理論概況61-62
• 4.1.1 貝葉斯基本定理61-62
• 4.1.2 貝葉斯決策準則62
• 4.2 貝葉斯網絡的表示及構建62-63
• 4.3 貝葉斯分類器63-68
• 4.3.1 樸素貝葉斯分類器63-64
• 4.3.2 選擇性貝葉斯分類器64-66
• 4.3.3 局部加權貝葉斯分類器66
• 4.3.4 屬性加權貝葉斯分類器66-68
• 4.4 屬性加權貝葉斯分類器算法68
• 4.5 實例分析驗證68-73
• 4.6 本章小結73-75
• 第5章 滾動軸承故障診斷實驗75-95
• 5.1 滾動軸承故障診斷實驗數據75-79
• 5.1.1 滾動軸承系統(tǒng)和實驗條件75-76
• 5.1.2 故障數據文件的具體描述76-79
• 5.2 形態(tài)學濾波去噪79-86
• 5.3 基于LMD樣本熵和貝葉斯網絡的滾動軸承故障診斷方法86
• 5.4 軸承故障診斷實驗分析86-94
• 5.4.1 LMD樣本熵特征提取87-89
• 5.4.2 粗糙集屬性約簡89-91
• 5.4.3 分類器分類91-94
• 5.5 本章小結94-95
• 結論95-97
• 參考文獻97-103
• 攻讀碩士學位期間承擔的科研任務與主要成果103-104
• 致謝104-105
• 作者簡介105

【參考文獻】

中國期刊全文數據庫 前10條

1 高立新;王大鵬;劉保華;丁慶新;丁芳;李民;;軸承故障診斷中共振解調技術的應用研究[J];北京工業(yè)大學學報;2007年01期

2 呂武;申萍;王小方;;FFT在機車故障檢測記錄系統(tǒng)中的應用[J];電力機車與城軌車輛;2006年01期

3 秦睿;曹銀利;黃葆文;楊萍;;一起電纜故障引起的大規(guī)模風電機組脫網事故[J];電力安全技術;2011年12期

4 程玉虎;仝瑤瑤;王雪松;;類相關性影響可變選擇性貝葉斯分類器[J];電子學報;2011年07期

5 詹長庚;萬書亭;王聰;;風機傳動齒輪箱故障的Hilbert及倒譜綜合分析[J];電力科學與工程;2013年05期

6 馮月進;張鳳斌;;最大相關最小冗余限定性貝葉斯網絡分類器學習算法[J];重慶大學學報;2014年06期

7 ;TIME DOMAIN ANALYSIS OF TRANSIENT PROPAGATION IN INHOMOGENEOUS MAGNETIZED PLASMA USING Z-TRANSFORMS[J];Journal of Electronics;2006年01期

8 蔣瑜;王鵬;王燮;李永禮;;基于差別矩陣的屬性約簡完備算法[J];計算機工程與應用;2007年19期

9 呂萍;錢進;王波;謝峰;;一種快速差別矩陣屬性約簡算法[J];計算機工程與應用;2010年20期

10 吳定海;張培林;任國全;徐超;范紅波;;基于Bayes的超球分類器及在柴油機異常檢測中的應用[J];機械工程學報;2011年06期

中國博士學位論文全文數據庫 前2條

1 楊昌昊;基于不確定性理論的機械故障智能診斷方法研究[D];中國科學技術大學;2009年

2 張亢;局部均值分解方法及其在旋轉機械故障診斷中的應用研究[D];湖南大學;2012年

中國碩士學位論文全文數據庫 前3條

1 趙志宇;基于小波變換的滾動軸承故障診斷系統(tǒng)的研究與開發(fā)[D];大連理工大學;2005年

2 張金敏;基于數學形態(tài)學與模糊C均值的滾動軸承故障診斷方法[D];燕山大學;2012年

3 馮中魁;基于多源信息融合貝葉斯網絡的滾動軸承故障診斷方法[D];燕山大學;2013年

，

本文編號：886635