特征优化方法研究及其在轴承故障诊断中的应用

发布时间：2017-03-16 12:06

  本文关键词：特征优化方法研究及其在轴承故障诊断中的应用，，由笔耕文化传播整理发布。

【摘要】：随着制造业技术的发展和需求的不断提升,人们对制造装备和机械产品的安全性、可靠性要求越来越高,需求的提升带来了现代机械设备的复杂度、精密度、集成度也越来越高。最近十年的科技发展,特别是人工智能技术的发展也深刻的影响着机械设备对智能化的需求。机械设备故障诊断作为保障机械设备特别是大型机械设备可靠运行的关键技术,其重要性正不断的得到凸显。另外,设备发生故障后不仅导致生产中断和经济损失,增加企业的运营成本,严重时会导致人员伤亡、环境污染等重大的社会影响。随着机械设备越来越复杂,工业机器人等人工智能体队伍越来越庞大,传统的基于信号时间序列和频域分析的机械故障诊断方法越来越难以满足大数据环境下的机械设备实时诊断和监测需求,使得基于特征的方法越来越得到广大工程师和研究人员的亲睐。另外,伴随着数据的越来越多,数据种类也随之越来越多,传统的方法明显已经无法满足先进设备故障诊断的要求,而现代模式识别技术是人工智能的产物,是解决大数据、多维特征的好方法。因此,将基于特征优化的方法应用于机械故障诊断领域将有着广阔的发展和应用空间。基于特征优化的方法不仅摆脱了多维机械设备信号间很多传统方法无法解释的问题,更为数据融合和模式识别提供的空间和方法。特征作为模式识别的基础,特征的结构对模式识别方法有着重要的影响,因此,研究特征优化方法对于模式识别有着重要的意义,基于这些考虑,本文的主要内容和结论如下:(1)从机械设备发展的方向以及工业社会中人工智能趋势出发,联系到机械故障诊断技术在现代工业社会的重要性,阐述了论文选题的背景和意义。以轴承这一机械结构的核心部件,研究特征优化方法在机械故障诊断领域的应用。从特征选择和特征提取两个方面介绍了特征优化方法。(2)介绍了基于Bayesian方法的特征选择模型,将余弦距离度量引入支持向量机中,使得新的特征选择模型不仅具有特征选择的能力,还具有在选择特征的同时对特征空间进行优化,能够同步实现特征约简和减小类内距离和类间距离的比值。另外,在理论上推导出来本方法的Bayesian决策特性,同时采用数值迭代方法实现了模型中参数的优化。(3)提出了基于小波图像融合的特征选择方法。将图像融合技术引入轴承故障诊断中的特征提取过程,针对轴承故障的特点设计专门的特征提取方法,使得特征提取方法在本质上具有较强的降噪能力和区分度,使得提取的模式能够很容易的被识别。(4)用实验的方法证明了特征优化方法的正确性和实用性。通过轴承试验台的数据,采用基于Bayesian优化的特征选择方法和基于小波图像融合的特征提取方法对轴承故障进行的有效的诊断。另外,对于基于小波图像融合方法抗躁性,通过在原始信号的中添加白噪声的方式,验证了该特征提取方法在能够在强背景噪声中依然能够提取出较好的特征用于故障诊断。
【关键词】：故障诊断 Bayesian模型 支持向量机 余弦相似性测度 特征选择 特征提取
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH133.3;TP18
【目录】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 绪论10-16
• 1.1 课题概述10-12
• 1.1.1 课题来源10
• 1.1.2 课题意义10-12
• 1.2 国内外研究现象综述12-14
• 1.2.1 特征优化方法12-13
• 1.2.2 特征优化方法在机械故障诊断中的应用13-14
• 1.3 主要研究内容及技术路线14-15
• 1.3.1 问题的提出14
• 1.3.2 研究内容及技术路线14-15
• 1.3.3 论文内容安排15
• 1.4 本章小结15-16
• 第二章 基于Bayesian优化的特征选择模型16-26
• 2.1 引言16-17
• 2.2 数学基础17-19
• 2.2.1 支持向量机17-18
• 2.2.2 余弦距离测度18-19
• 2.3 基于Bayesian优化的特征选择模型19-20
• 2.4 模型的Bayesian特性20-22
• 2.5 特征权重学习算法22-25
• 2.6 本章小结25-26
• 第三章 基于小波图像融合的特征提取方法26-40
• 3.1 引言26-29
• 3.1.1 基于轴承故障模型的故障诊断方法26-28
• 3.1.2 基于机器学习方法的故障诊断28-29
• 3.2 融合图像构建29-33
• 3.2.1 功率谱计算30-31
• 3.2.2 基于Hankel矩阵的图像融合31-33
• 3.3 特征选择和图像融合过程33-38
• 3.3.1 基本图像的融合33-34
• 3.3.2 与基本图像融合方法34-36
• 3.3.3 在线诊断图像融合方法36-38
• 3.3.4 特征提取方法38
• 3.4 本章小结38-40
• 第四章 特征优化方法在轴承故障诊断中的应用40-53
• 4.1 引言40
• 4.2 试验一加速疲劳试验40-46
• 4.2.1 实验设备41-43
• 4.2.1.1 轴承加速疲劳试验台41-42
• 4.2.1.2 试验轴承及测试条件42-43
• 4.2.1.3 实验数据采集及测试系统43
• 4.2.2 特征选择方法在轴承故障诊断中的应用43-44
• 4.2.3 实验结果分析44-46
• 4.3 试验二滚动轴承人工故障试验46-52
• 4.3.1 试验对象及设备46-49
• 4.3.2 试验方案和操作流程49
• 4.3.3 特征提取方法在轴承故障诊断中的应用49-52
• 4.3.3.1 样本训练49-50
• 4.3.3.2 样本测试50
• 4.3.3.3 在线诊断50
• 4.3.3.4 抗噪声测试50-51
• 4.3.3.5 对比实验51-52
• 4.4 本章小结52-53
• 第五章 研究工作总结及展望53-55
• 5.1 研究工作总结53-54
• 5.2 主要创新点54
• 5.3 研究工作展望54-55
• 参考文献55-61
• 致谢61-62
• 攻读硕士学位期间发表的学术论文和科研成果62-64

【相似文献】

中国期刊全文数据库 前10条

1 王华,李介谷;人脸斜视图象的特征提取与恢复[J];上海交通大学学报;1997年01期

2 黄丽莉;皋军;;基于局部加权的非线性特征提取方法[J];华中科技大学学报(自然科学版);2013年S1期

3 徐f ,邱道尹,沈宪章;粮仓害虫的特征提取与分类的研究[J];郑州工业大学学报;2000年04期

4 张焱;张志龙;沈振康;;一种融入运动特性的显著性特征提取方法[J];国防科技大学学报;2008年03期

5 张辉;林建华;;网上交易历史记录的特征提取[J];企业科技与发展;2008年18期

6 刘美春;赵敏;谢胜利;;基于邻域空间模式的运动相关电位特征提取方法[J];华南理工大学学报(自然科学版);2009年10期

7 王天杨;程卫东;李建勇;;基于3种测度值的特征提取方法优化评价[J];仪器仪表学报;2010年04期

8 李霆,吉小军,李世中,彭长清,宋寿鹏;回归谱特征提取与识别效果分析[J];探测与控制学报;1999年04期

9 王智文,谢国庆;图像中点、线、面特征提取[J];广西工学院学报;2005年03期

10 朱永娇;;汉字特征提取的量化研究[J];科学技术与工程;2007年10期

中国重要会议论文全文数据库 前10条

1 尚修刚;蒋慰孙;;模糊特征提取新算法[A];1997中国控制与决策学术年会论文集[C];1997年

2 潘荣江;孟祥旭;杨承磊;王锐;;旋转体的几何特征提取方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

3 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 杜栓平;曹正良;;时间—频率域特征提取及其应用[A];2005年全国水声学学术会议论文集[C];2005年

5 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

6 魏明果;;方言比较的特征提取与矩阵分析[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

7 林土胜;赖声礼;;视网膜血管特征提取的拆支跟踪法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

9 刘红;陈光

本文编号：251752