基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法

发布时间：2017-09-20 07:14

  本文关键词：基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法

  更多相关文章： 故障诊断 贝叶斯网络 局部均值分解 差别矩阵 滚动轴承

【摘要】：在机械设备中,滚动轴承作为应用最广泛的基础零部件,其运作状况良好与否直接关系到整个系统的安全生产和功能实现。所以,开展滚动轴承故障诊断技术的研究具有重大意义。论文以滚动轴承振动信号为模型,围绕故障信号特征提取、属性约简、识别分类这三个关键问题,研究了基于局部均值分解(Local Mean Decomposition,LMD)样本熵和贝叶斯网络的滚动轴承故障诊断方法。首先,针对经验模式分解(Empirical Mode Decomposition,EMD)方法存在端点效应、模态混叠和虚假分量的问题,将LMD方法引入到故障信号的特征提取中;针对以信息熵为基础的几种常用熵求取过程繁琐的问题,借助特征筛选准则,利用样本熵量化生产函数(Production Function,PF)分量的方法刻画轴承信号的复杂程度,提出了LMD和样本熵相结合的特征提取方法。该方法可以获得振动信号不同频带上的复杂度信息,将样本熵值构建成特征向量为轴承的故障识别分类提供了依据。其次,针对经典约简算法和基于差别矩阵算法在属性约简过程中的繁杂性,同时考虑降低算法的复杂度以及衡量各属性重要度,提出基于类差别矩阵改进属性重要度的约简算法。该方法有效地对提取的故障特征信息进行约简并去除冗余属性。再次,针对朴素贝叶斯分类器具有条件独立性假设的缺陷,研究了最大相关最小冗余选择性贝叶斯分类器和局部加权贝叶斯分类器,提出基于信息熵赋权的属性加权贝叶斯分类器。该方法考虑每个条件属性对类属性的重要性和彼此的相互关联程度不同,通过将几种分类器进行对比测试分析,验证算法的有效性。最后,以Case Western Reserve大学滚动轴承故障数据作为实验研究对象,利用数学形态学去噪方法对轴承振动信号进行预处理,同时结合LMD样本熵特征提取、类差别矩阵改进属性重要度特征信息约简、属性加权贝叶斯分类器识别分类建立诊断模型。实验结果表明,所提方法能达到良好的诊断效果,能够有效地用于轴承故障诊断。
【关键词】：故障诊断 贝叶斯网络 局部均值分解 差别矩阵 滚动轴承
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH165.3;TH133.33
【目录】：

• 摘要5-6
• Abstract6-11
• 第1章 绪论11-23
• 1.1 课题研究背景及意义11
• 1.2 滚动轴承故障机理分析11-15
• 1.2.1 滚动轴承的机械结构12-13
• 1.2.2 滚动轴承的失效模式13
• 1.2.3 滚动轴承的振动机理分析13-15
• 1.3 滚动轴承故障诊断技术15-20
• 1.3.1 滚动轴承诊断流程15-16
• 1.3.2 滚动轴承故障特征提取法16-18
• 1.3.3 属性约简在故障诊断中的应用18-19
• 1.3.4 滚动轴承故障识别技术19-20
• 1.4 课题来源20
• 1.5 研究思路及研究内容20-23
• 1.5.1 研究思路20
• 1.5.2 研究内容20-23
• 第2章 基于LMD样本熵的特征提取方法23-45
• 2.1 局部均值理论23-31
• 2.1.1 LMD的基本算法23-26
• 2.1.2 PF分量及其特点26
• 2.1.3 LMD与EMD时频分析对比26-31
• 2.2 熵的基本概念31
• 2.3 样本熵理论31-35
• 2.3.1 样本熵算法及参数选取32-33
• 2.3.2 样本熵性能测试33-35
• 2.4 基于LMD样本熵的特征提取方法35-40
• 2.4.1 基于信息熵的特征筛选方法35-37
• 2.4.2 LMD与样本熵的融合分析37-39
• 2.4.3 基于LMD样本熵的算法流程39-40
• 2.5 实测振动信号的LMD对比分析40-44
• 2.6 本章小结44-45
• 第3章 基于类差别矩阵改进属性重要度的约简算法45-61
• 3.1 粗糙集基本理论45-47
• 3.1.1 知识表达系统45-46
• 3.1.2 近似空间与粗糙集46-47
• 3.1.3 数据离散化47
• 3.2 经典属性约简算法47-49
• 3.3 基于差别矩阵的约简算法49-53
• 3.3.1 传统差别矩阵法49-50
• 3.3.2 启发式信息法50-53
• 3.4 基于类差别矩阵改进属性重要度的约简算法53-57
• 3.4.1 类差别矩阵的定义54
• 3.4.2 改进属性重要度的提出54-55
• 3.4.3 基于类差别矩阵改进属性重要度约简算法流程55-56
• 3.4.4 算法对比分析56-57
• 3.5 实验分析验证57-60
• 3.6 本章小结60-61
• 第4章 基于贝叶斯分类器的故障识别算法61-75
• 4.1 贝叶斯理论概况61-62
• 4.1.1 贝叶斯基本定理61-62
• 4.1.2 贝叶斯决策准则62
• 4.2 贝叶斯网络的表示及构建62-63
• 4.3 贝叶斯分类器63-68
• 4.3.1 朴素贝叶斯分类器63-64
• 4.3.2 选择性贝叶斯分类器64-66
• 4.3.3 局部加权贝叶斯分类器66
• 4.3.4 属性加权贝叶斯分类器66-68
• 4.4 属性加权贝叶斯分类器算法68
• 4.5 实例分析验证68-73
• 4.6 本章小结73-75
• 第5章 滚动轴承故障诊断实验75-95
• 5.1 滚动轴承故障诊断实验数据75-79
• 5.1.1 滚动轴承系统和实验条件75-76
• 5.1.2 故障数据文件的具体描述76-79
• 5.2 形态学滤波去噪79-86
• 5.3 基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法86
• 5.4 轴承故障诊断实验分析86-94
• 5.4.1 LMD样本熵特征提取87-89
• 5.4.2 粗糙集属性约简89-91
• 5.4.3 分类器分类91-94
• 5.5 本章小结94-95
• 结论95-97
• 参考文献97-103
• 攻读硕士学位期间承担的科研任务与主要成果103-104
• 致谢104-105
• 作者简介105

【参考文献】

中国期刊全文数据库 前10条

1 高立新;王大鹏;刘保华;丁庆新;丁芳;李民;;轴承故障诊断中共振解调技术的应用研究[J];北京工业大学学报;2007年01期

2 吕武;申萍;王小方;;FFT在机车故障检测记录系统中的应用[J];电力机车与城轨车辆;2006年01期

3 秦睿;曹银利;黄葆文;杨萍;;一起电缆故障引起的大规模风电机组脱网事故[J];电力安全技术;2011年12期

4 程玉虎;仝瑶瑶;王雪松;;类相关性影响可变选择性贝叶斯分类器[J];电子学报;2011年07期

5 詹长庚;万书亭;王聪;;风机传动齿轮箱故障的Hilbert及倒谱综合分析[J];电力科学与工程;2013年05期

6 冯月进;张凤斌;;最大相关最小冗余限定性贝叶斯网络分类器学习算法[J];重庆大学学报;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 蒋瑜;王鹏;王燮;李永礼;;基于差别矩阵的属性约简完备算法[J];计算机工程与应用;2007年19期

9 吕萍;钱进;王波;谢峰;;一种快速差别矩阵属性约简算法[J];计算机工程与应用;2010年20期

10 吴定海;张培林;任国全;徐超;范红波;;基于Bayes的超球分类器及在柴油机异常检测中的应用[J];机械工程学报;2011年06期

中国博士学位论文全文数据库 前2条

1 杨昌昊;基于不确定性理论的机械故障智能诊断方法研究[D];中国科学技术大学;2009年

2 张亢;局部均值分解方法及其在旋转机械故障诊断中的应用研究[D];湖南大学;2012年

中国硕士学位论文全文数据库 前3条

1 赵志宇;基于小波变换的滚动轴承故障诊断系统的研究与开发[D];大连理工大学;2005年

2 张金敏;基于数学形态学与模糊C均值的滚动轴承故障诊断方法[D];燕山大学;2012年

3 冯中魁;基于多源信息融合贝叶斯网络的滚动轴承故障诊断方法[D];燕山大学;2013年

，

本文编号：886635