論文從研究傳統(tǒng)的旋轉(zhuǎn)機(jī)械故障的特征參數(shù)識(shí)別兩類(lèi)狀態(tài)的能力出發(fā),提出了特征參數(shù)靈敏度評(píng)價(jià)標(biāo)準(zhǔn),并對(duì)其進(jìn)行了實(shí)驗(yàn)驗(yàn)證;在傳統(tǒng)的特征參數(shù)基礎(chǔ)上,文中提出利用遺傳算法對(duì)特征參數(shù)進(jìn)行自組織生成新的高靈敏度的特征參數(shù),并采用遺傳算法對(duì)由所有特征參數(shù)組成的特征集合進(jìn)行選擇,去除了冗余的特征參數(shù);最后建立了基于神經(jīng)網(wǎng)絡(luò)的逐次診斷模型,降低了診斷系統(tǒng)輸入量的維數(shù),并通過(guò)實(shí)驗(yàn)驗(yàn)證了整個(gè)診斷系統(tǒng)的有效性。該診斷系統(tǒng)結(jié)合了特征靈敏度的評(píng)價(jià)、特征提取、特征選擇和逐次神經(jīng)網(wǎng)絡(luò)模型,有一定創(chuàng)新性,且易于實(shí)現(xiàn),具有良好的工程應(yīng)用價(jià)值�，F(xiàn)將論文主要的研究成果歸納如下: ①提出了用于評(píng)價(jià)特征參數(shù)識(shí)別故障的靈敏度的概念。并假設(shè)特征參數(shù)概率密度函數(shù)是正態(tài)分布情況下,從理論上推導(dǎo)出了靈敏度的計(jì)算公式。最后通過(guò)實(shí)驗(yàn)驗(yàn)證了靈敏度與特征參數(shù)區(qū)分兩種狀態(tài)的識(shí)別率是成正比關(guān)系的,靈敏度高的特征參數(shù)就具有高的識(shí)別率。 ②傳統(tǒng)特征參數(shù)不能很好的區(qū)分兩種狀態(tài),文中采用遺傳算法重新提取新的高靈敏度的特征參數(shù);該方法是對(duì)傳統(tǒng)的特征參數(shù)進(jìn)行再組織生成新的特征參數(shù),文中用樹(shù)形圖來(lái)表示特征參數(shù)的公式,便于利用遺傳算法進(jìn)行交叉和變異;用特征參數(shù)靈敏度作為遺傳算法的適應(yīng)度函數(shù)。最后實(shí)驗(yàn)驗(yàn)證了新的特征參數(shù)的識(shí)別率高,證明了該方法的有效性。 ③文中將傳統(tǒng)特征參數(shù)和由遺傳算法提取的新的特征參數(shù)共17個(gè)組成特征參數(shù)集合。提出了以類(lèi)內(nèi)和類(lèi)間距離為適應(yīng)度函數(shù),基于遺傳算法的特征選擇策略,選擇出最有效的幾個(gè)特征參數(shù)來(lái)降維,同時(shí)達(dá)到提高識(shí)別兩類(lèi)狀態(tài)識(shí)別率的目的。該方法能夠充分利用遺傳算法的隱并行性,有效地剔除原始特征集中冗余特征參數(shù)。并利用實(shí)驗(yàn)驗(yàn)證了將優(yōu)化后的特征集合用于神經(jīng)網(wǎng)絡(luò)分類(lèi)器訓(xùn)練,能夠提高故障的識(shí)別精度。 ④構(gòu)建了逐次故障診斷神經(jīng)網(wǎng)絡(luò)模型,并從遺傳算法特征選擇后的特征參數(shù)集中選出靈敏度較大的三個(gè)特征參數(shù)作為逐次診斷神經(jīng)網(wǎng)絡(luò)的輸入,降低了輸入量的維數(shù)。
【學(xué)位單位】：重慶大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2008
【中圖分類(lèi)】：TH17
【部分圖文】：

= 222()exp21()σμσπtf t ∞<t <+∞ξσξμσπFtdt∫ ∞ = 222()exp21( )R (t )= 1 F(t)()()()Rtftλ t =的 f (t)和 F (t)曲線如圖 2.2。σ越大， f (t)曲線越平坦；σ越小μ 的變化使曲線 f (t)沿t軸位移。

21)和 (2-33)，可以得到0PμμπdDI∫ ∞= )2exp(212數(shù))由下式計(jì)算：222121σσμμ+ =或者222121σ +σ =xxtinction rate)被定義為：0 = 1 P大DR的值也越大，即特征參數(shù)靈敏度就越高。數(shù)分辨的靈敏度。

圖 2.5 旋轉(zhuǎn)機(jī)械故障實(shí)驗(yàn)機(jī)械平臺(tái)Fig.2.5 The equipment of rotating machine for fault diagnosis轉(zhuǎn)機(jī)械故障模擬是在圖 2.5 所示的旋轉(zhuǎn)機(jī)械振動(dòng)測(cè)試故障實(shí)驗(yàn)平可以模擬滾動(dòng)軸承、齒輪、軸系的各種故障，在此平臺(tái)上對(duì)于承內(nèi)圈裂紋、軸承外圈裂紋單個(gè)故障進(jìn)行了模擬，另外還對(duì)軸別同時(shí)故障發(fā)生時(shí)進(jìn)行模擬，并全部進(jìn)行了信號(hào)采集。圖 2.6 所實(shí)驗(yàn)平臺(tái)的機(jī)械結(jié)構(gòu)簡(jiǎn)圖。
【引證文獻(xiàn)】

相關(guān)期刊論文 前2條

1 竇東陽(yáng);楊建國(guó);李麗娟;趙英凱;;基于規(guī)則的神經(jīng)網(wǎng)絡(luò)在模式分類(lèi)中的應(yīng)用[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

2 鄧星;胡騰飛;李江華;;神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J];重慶文理學(xué)院學(xué)報(bào);2013年03期

本文編號(hào)：2855315