本文關(guān)鍵詞：基于LMD樣本熵和貝葉斯網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法

  更多相關(guān)文章： 故障診斷 貝葉斯網(wǎng)絡(luò) 局部均值分解 差別矩陣 滾動(dòng)軸承

【摘要】：在機(jī)械設(shè)備中,滾動(dòng)軸承作為應(yīng)用最廣泛的基礎(chǔ)零部件,其運(yùn)作狀況良好與否直接關(guān)系到整個(gè)系統(tǒng)的安全生產(chǎn)和功能實(shí)現(xiàn)。所以,開展?jié)L動(dòng)軸承故障診斷技術(shù)的研究具有重大意義。論文以滾動(dòng)軸承振動(dòng)信號(hào)為模型,圍繞故障信號(hào)特征提取、屬性約簡、識(shí)別分類這三個(gè)關(guān)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(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法。首先,針對經(jīng)驗(yàn)?zāi)Ｊ椒纸?Empirical Mode Decomposition,EMD)方法存在端點(diǎn)效應(yīng)、模態(tài)混疊和虛假分量的問題,將LMD方法引入到故障信號(hào)的特征提取中;針對以信息熵為基礎(chǔ)的幾種常用熵求取過程繁瑣的問題,借助特征篩選準(zhǔn)則,利用樣本熵量化生產(chǎn)函數(shù)(Production Function,PF)分量的方法刻畫軸承信號(hào)的復(fù)雜程度,提出了LMD和樣本熵相結(jié)合的特征提取方法。該方法可以獲得振動(dòng)信號(hào)不同頻帶上的復(fù)雜度信息,將樣本熵值構(gòu)建成特征向量為軸承的故障識(shí)別分類提供了依據(jù)。其次,針對經(jīng)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(shí)考慮降低算法的復(fù)雜度以及衡量各屬性重要度,提出基于類差別矩陣改進(jìn)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(jìn)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(dú)立性假設(shè)的缺陷,研究了最大相關(guān)最小冗余選擇性貝葉斯分類器和局部加權(quán)貝葉斯分類器,提出基于信息熵賦權(quán)的屬性加權(quán)貝葉斯分類器。該方法考慮每個(gè)條件屬性對類屬性的重要性和彼此的相互關(guān)聯(lián)程度不同,通過將幾種分類器進(jìn)行對比測試分析,驗(yàn)證算法的有效性。最后,以Case Western Reserve大學(xué)滾動(dòng)軸承故障數(shù)據(jù)作為實(shí)驗(yàn)研究對象,利用數(shù)學(xué)形態(tài)學(xué)去噪方法對軸承振動(dòng)信號(hào)進(jìn)行預(yù)處理,同時(shí)結(jié)合LMD樣本熵特征提取、類差別矩陣改進(jìn)屬性重要度特征信息約簡、屬性加權(quán)貝葉斯分類器識(shí)別分類建立診斷模型。實(shí)驗(yàn)結(jié)果表明,所提方法能達(dá)到良好的診斷效果,能夠有效地用于軸承故障診斷。
【關(guān)鍵詞】：故障診斷 貝葉斯網(wǎng)絡(luò) 局部均值分解 差別矩陣 滾動(dòng)軸承
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：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(dòng)軸承故障機(jī)理分析11-15
• 1.2.1 滾動(dòng)軸承的機(jī)械結(jié)構(gòu)12-13
• 1.2.2 滾動(dòng)軸承的失效模式13
• 1.2.3 滾動(dòng)軸承的振動(dòng)機(jī)理分析13-15
• 1.3 滾動(dòng)軸承故障診斷技術(shù)15-20
• 1.3.1 滾動(dòng)軸承診斷流程15-16
• 1.3.2 滾動(dòng)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(yīng)用18-19
• 1.3.4 滾動(dòng)軸承故障識(shí)別技術(shù)19-20
• 1.4 課題來源20
• 1.5 研究思路及研究內(nèi)容20-23
• 1.5.1 研究思路20
• 1.5.2 研究內(nèi)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(diǎn)26
• 2.1.3 LMD與EMD時(shí)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(shù)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(shí)測振動(dòng)信號(hào)的LMD對比分析40-44
• 2.6 本章小結(jié)44-45
• 第3章 基于類差別矩陣改進(jìn)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(shí)表達(dá)系統(tǒng)45-46
• 3.1.2 近似空間與粗糙集46-47
• 3.1.3 數(shù)據(jù)離散化47
• 3.2 經(jīng)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(jìn)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(jìn)屬性重要度的提出54-55
• 3.4.3 基于類差別矩陣改進(jìn)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(shí)驗(yàn)分析驗(yàn)證57-60
• 3.6 本章小結(jié)60-61
• 第4章 基于貝葉斯分類器的故障識(shí)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(zhǔn)則62
• 4.2 貝葉斯網(wǎng)絡(luò)的表示及構(gòu)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(quán)貝葉斯分類器66
• 4.3.4 屬性加權(quán)貝葉斯分類器66-68
• 4.4 屬性加權(quán)貝葉斯分類器算法68
• 4.5 實(shí)例分析驗(yàn)證68-73
• 4.6 本章小結(jié)73-75
• 第5章 滾動(dòng)軸承故障診斷實(shí)驗(yàn)75-95
• 5.1 滾動(dòng)軸承故障診斷實(shí)驗(yàn)數(shù)據(jù)75-79
• 5.1.1 滾動(dòng)軸承系統(tǒng)和實(shí)驗(yàn)條件75-76
• 5.1.2 故障數(shù)據(jù)文件的具體描述76-79
• 5.2 形態(tài)學(xué)濾波去噪79-86
• 5.3 基于LMD樣本熵和貝葉斯網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法86
• 5.4 軸承故障診斷實(shí)驗(yàn)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(jié)94-95
• 結(jié)論95-97
• 參考文獻(xiàn)97-103
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果103-104
• 致謝104-105
• 作者簡介105

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)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(diào)技術(shù)的應(yīng)用研究[J];北京工業(yè)大學(xué)學(xué)報(bào);2007年01期

2 呂武;申萍;王小方;;FFT在機(jī)車故障檢測記錄系統(tǒng)中的應(yīng)用[J];電力機(jī)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(fēng)電機(jī)組脫網(wǎng)事故[J];電力安全技術(shù);2011年12期

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

5 詹長庚;萬書亭;王聰;;風(fēng)機(jī)傳動(dòng)齒輪箱故障的Hilbert及倒譜綜合分析[J];電力科學(xué)與工程;2013年05期

6 馮月進(jìn);張鳳斌;;最大相關(guān)最小冗余限定性貝葉斯網(wǎng)絡(luò)分類器學(xué)習(xí)算法[J];重慶大學(xué)學(xué)報(bào);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(jì)算機(jī)工程與應(yīng)用;2007年19期

9 呂萍;錢進(jìn);王波;謝峰;;一種快速差別矩陣屬性約簡算法[J];計(jì)算機(jī)工程與應(yīng)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(jī)異常檢測中的應(yīng)用[J];機(jī)械工程學(xué)報(bào);2011年06期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

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

2 張亢;局部均值分解方法及其在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用研究[D];湖南大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前3條

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

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

3 馮中魁;基于多源信息融合貝葉斯網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[D];燕山大學(xué);2013年

，

本文編號(hào)：886635