本文關(guān)鍵詞：基于多源信息融合貝葉斯網(wǎng)絡(luò)的滾動軸承故障診斷方法，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著現(xiàn)代化大型機械設(shè)備日益向大型化、復(fù)雜化和精密化的方向發(fā)展，部件的結(jié)構(gòu)日趨精密。但各部件之間存在許多錯綜復(fù)雜、關(guān)聯(lián)耦合的相互關(guān)系，導(dǎo)致其故障特征信息具有不確定性、不完備性等特點，僅僅依靠單一信息源對故障難于做出精確的診斷。由于多源信息融合技術(shù)能夠增加故障特征信息的完備性，貝葉斯網(wǎng)絡(luò)能夠克服故障特征信息的不確定性，本文提出基于多源信息融合貝葉斯網(wǎng)絡(luò)的故障診斷方法并驗證所提方法的有效性。 首先，針對小波包分解算法在對信號進行分解時存在的不足，利用改進小波包分解算法對故障信號中包含重要信息頻帶的信號能量進行特征提取。該方法不僅可以減小由小波濾波器組的頻域特性和隔點采樣所造成的頻率混疊現(xiàn)象，而且可以避免小波包分解算法計算量大的缺點。 其次，針對故障特征信息集合中存在冗余屬性的問題，以及各個屬性對系統(tǒng)分類的重要程度不同的情況，提出基于類差別矩陣和屬性重要度相結(jié)合的屬性約簡算法，根據(jù)樣本決策表構(gòu)建類差別矩陣，選擇屬性重要度最大的屬性并入約簡集。該算法可以有效地對故障特征信息進行壓縮并去除冗余屬性。 再次，針對基于條件獨立性假設(shè)的樸素貝葉斯分類器在實際應(yīng)用中的局限性，提出基于熵權(quán)法的屬性加權(quán)樸素貝葉斯分類器算法。該算法考慮了不同條件屬性與類屬性之間的相互關(guān)聯(lián)程度，通過對它們的關(guān)聯(lián)性的進一步利用來提升貝葉斯分類器的性能，以提高現(xiàn)有貝葉斯分類器的分類精度。 最后，針對滾動軸承的故障特征信息具有不確定性的特點，以及傳統(tǒng)滾動軸承故障診斷方法的故障特征信息多數(shù)來自單一信息源的情況，，提出基于多源信息融合貝葉斯網(wǎng)絡(luò)的故障診斷方法。利用改進小波包算法進行特征提取，利用基于類差別矩陣和屬性重要度的算法進行屬性約簡，利用屬性加權(quán)樸素貝葉斯分類器進行信息融合。最后以美國Case Western Reserve大學(xué)的滾動軸承實驗數(shù)據(jù)為例驗證所提方法的有效性。
【關(guān)鍵詞】：故障診斷 信息融合 貝葉斯網(wǎng)絡(luò) 改進小波包 差別矩陣 滾動軸承
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：TH165.3;TH133.33
【目錄】：

• 摘要5-6
• Abstract6-11
• 第1章 緒論11-23
• 1.1 課題背景11
• 1.2 滾動軸承故障診斷方法11-14
• 1.3 多源信息融合技術(shù)研究現(xiàn)狀14-15
• 1.4 基于多源信息融合的故障診斷方法15-18
• 1.4.1 數(shù)據(jù)層融合方法16
• 1.4.2 特征層融合方法16-17
• 1.4.3 決策層融合方法17
• 1.4.4 集成信息融合方法17-18
• 1.5 課題意義及來源18-19
• 1.6 研究思路與研究內(nèi)容19-23
• 1.6.1 問題提出19-20
• 1.6.2 研究思路20-21
• 1.6.3 研究內(nèi)容21-23
• 第2章 基于改進小波包算法的特征提取方法23-39
• 2.1 小波包算法23-27
• 2.1.1 小波包分析理論23-25
• 2.1.2 小波包算法的復(fù)雜度25
• 2.1.3 小波包分解樹節(jié)點與信號子空間頻帶的對應(yīng)關(guān)系25-27
• 2.2 改進小波包算法27-28
• 2.2.1 改進的小波包算法27
• 2.2.2 改進小波包算法的復(fù)雜度27-28
• 2.3 基于改進小波包算法的特征提取方法28-29
• 2.4 實例分析對比29-37
• 2.5 本章小結(jié)37-39
• 第3章 基于類差別矩陣和屬性重要度的屬性約簡算法39-53
• 3.1 樣本決策表的建立及離散化40-41
• 3.2 基于差別矩陣的屬性約簡算法41-43
• 3.3 基于類差別矩陣和屬性重要度的屬性約簡算法43-46
• 3.3.1 屬性重要度的計算方法43-44
• 3.3.2 基于類差別矩陣和屬性重要度的屬性約簡算法流程44-45
• 3.3.3 算法復(fù)雜度分析45-46
• 3.4 實例分析46-52
• 3.5 本章小結(jié)52-53
• 第4章 多源信息融合屬性加權(quán)樸素貝葉斯分類器算法53-72
• 4.1 多源信息融合理論54-55
• 4.1.1 多源信息融合概述54
• 4.1.2 多源信息融合的含義54-55
• 4.2 貝葉斯網(wǎng)絡(luò)的描述及建模55-56
• 4.3 貝葉斯分類器56-62
• 4.3.1 樸素貝葉斯分類器57-58
• 4.3.2 互信息最大化選擇性貝葉斯分類器58-59
• 4.3.3 局部加權(quán)樸素貝葉斯分類器59-61
• 4.3.4 屬性加權(quán)樸素貝葉斯分類器61-62
• 4.4 屬性加權(quán)樸素貝葉斯分類器算法62-63
• 4.5 實例分析63-71
• 4.6 本章小結(jié)71-72
• 第5章 滾動軸承的多源信息融合貝葉斯網(wǎng)絡(luò)故障診斷72-94
• 5.1 滾動軸承故障機理及振動分析72-77
• 5.1.1 滾動軸承的故障模式及故障機理分析73-74
• 5.1.2 滾動軸承振動機理分析74-77
• 5.2 基于多源信息融合貝葉斯網(wǎng)絡(luò)的滾動軸承故障診斷方法77-78
• 5.3 實例分析78-92
• 5.3.1 滾動軸承實驗數(shù)據(jù)78-83
• 5.3.2 特征信息提取83-85
• 5.3.3 屬性約簡85-89
• 5.3.4 多源信息融合89-92
• 5.4 本章小結(jié)92-94
• 結(jié)論94-96
• 參考文獻96-101
• 攻讀碩士學(xué)位期間承擔的科研任務(wù)與主要成果101-102
• 致謝102-103
• 作者簡介103

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐光美;楊炳儒;秦奕青;張偉;;基于互信息的多關(guān)系樸素貝葉斯分類器[J];北京科技大學(xué)學(xué)報;2008年08期

2 鐘志勇,陳鷹;多源信息融合中小波變換的應(yīng)用研究[J];測繪學(xué)報;2002年S1期

3 李云松;任艷君;;智能診斷技術(shù)發(fā)展綜述[J];四川兵工學(xué)報;2010年04期

4 李楠;曲長文;蘇峰;平殿發(fā);;基于證據(jù)組合理論的多傳感器目標識別算法[J];彈箭與制導(dǎo)學(xué)報;2009年02期

5 黃文濤,趙學(xué)增,王偉杰,代禮周;汽輪發(fā)電機組振動故障診斷的粗糙集模型[J];電力系統(tǒng)自動化;2004年15期

6 曾憲偉;趙衛(wèi)明;盛菊琴;;小波包分解樹結(jié)點與信號子空間頻帶的對應(yīng)關(guān)系及其應(yīng)用[J];地震學(xué)報;2008年01期

7 雷英杰;王寶樹;王毅;;基于直覺模糊決策的戰(zhàn)場態(tài)勢評估方法[J];電子學(xué)報;2006年12期

8 殷煥武;;基于粗糙集屬性重要度的崗位評價方法及其應(yīng)用[J];管理學(xué)報;2010年05期

9 劉金濤;;應(yīng)用小波變換信息融合診斷航空發(fā)動機故障[J];裝備制造技術(shù);2008年11期

10 吳曉平;鄭之松;付鈺;;基于模糊邏輯和證據(jù)理論的故障診斷方法[J];海軍工程大學(xué)學(xué)報;2012年01期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 劉思遠;信息融合和貝葉斯網(wǎng)絡(luò)集成的故障診斷理論方法及實驗研究[D];燕山大學(xué);2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 郭潤龍;基于RBF神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論的數(shù)據(jù)融合方法及應(yīng)用研究[D];東北林業(yè)大學(xué);2009年

  本文關(guān)鍵詞：基于多源信息融合貝葉斯網(wǎng)絡(luò)的滾動軸承故障診斷方法，由筆耕文化傳播整理發(fā)布。

本文編號：442535