基于代价敏感布雷格曼散度的旋转机械轴承故障诊断研究

发布时间：2017-10-14 07:19

  本文关键词：基于代价敏感布雷格曼散度的旋转机械轴承故障诊断研究

  更多相关文章： 旋转机械轴承 故障诊断 代价敏感 布雷格曼散度 神经网络 小波包分析

【摘要】：随着旋转机械向大型化、精密化和自动化的方向发展,有效的旋转机械故障诊断可以保证系统可靠和安全的运行,具有非常重要的价值。轴承作为旋转机械中最常用的零部件,其稳定性直接影响旋转机械的性能。旋转机械轴承故障诊断技术可以保证设备的正常持续运行，避免经济损失和重大事故发生，为此研究旋转机械轴承故障诊断技术具有深远意义。 论文总结了旋转机械轴承主要故障及故障原理，阐述了小波包分析法和小波包能量特征提取方法，针对现有旋转机械轴承故障诊断方法以最小化诊断错误率为目标，不能有效的避免故障带来损失的缺点，结合代价敏感学习的研究方向，本文提出一种基于代价敏感布雷格曼散度的旋转机械轴承故障诊断方法。 分析了基于贝叶斯决策理论的代价敏感学习的基本原理，在此基础上采用代价敏感的布雷格曼散度作为神经网络的目标函数，，对样本后验概率进行精确的估计，设计基于代价敏感布雷格曼散度的分类器。然后对UCI数据库中三个数据集进行了仿真实验，结果表明与基于重取样和基于欠取样的代价敏感分类器相比，该基于代价敏感布雷格曼散度的分类器能够有效的降低误分类代价，同时保证分类的正确率。 采用小波包分析旋转机械轴承在正常、滚动体故障、内圈故障和外圈故障四种模式下振动信号，提取各频带的相对小波包能量，作为基于代价敏感布雷格曼散度的分类器的输入向量，对旋转机械轴承的故障进行模式识别和分类，结果表明，对比基于重取样和基于欠取样的代价敏感故障诊断方法，该方法有效地降低了轴承故障误诊断代价，同时保证诊断正确率。 总结了旋转机械轴承代价敏感故障诊断有待于完善和进一步研究的问题。论文所做的工作对旋转机械轴承故障诊断具有重要的参考价值。
【关键词】：旋转机械轴承 故障诊断 代价敏感 布雷格曼散度 神经网络 小波包分析
【学位授予单位】：长沙理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3;TP18
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-16
• 1.1 课题的来源10
• 1.2 课题背景及意义10-11
• 1.3 国内外研究现状11-14
• 1.3.1 旋转机械轴承故障诊断研究现状11-13
• 1.3.2 代价敏感学习的研究现状13-14
• 1.4 论文的主要研究工作及创新点14-16
• 第二章 旋转机械轴承故障机理及特征提取方法16-24
• 2.1 轴承的结构16
• 2.2 轴承故障形式及机理分析16-17
• 2.3 轴承的振动机理及故障频率17-19
• 2.3.1 轴承振动机理17-18
• 2.3.2 轴承振动的故障特征频率18-19
• 2.4 故障特征提取方法19-23
• 2.4.1 小波包分析方法20-22
• 2.4.2 小波包能量特征提取22-23
• 2.5 本章小结23-24
• 第三章 基于代价敏感布雷格曼散度的分类方法研究24-44
• 3.1 BP神经网络24-27
• 3.1.1 BP神经网络的结构24-25
• 3.1.2 BP神经网络的学习算法25-27
• 3.2 代价敏感学习27-31
• 3.2.1 代价敏感分类27-28
• 3.2.2 后验概率估计28-31
• 3.3 代价敏感布雷格曼散度31-37
• 3.3.1 代价敏感布雷格曼散度的设计31-32
• 3.3.2 布雷格曼散度敏感度分析32-34
• 3.3.3 代价敏感布雷格曼散度的渐进性34-37
• 3.4 基于代价敏感布雷格曼散度的分类器37-39
• 3.4.1 代价敏感BP神经网络37-38
• 3.4.2 基于代价敏感布雷格曼散度的分类器38-39
• 3.5 仿真分析39-43
• 3.6 本章小结43-44
• 第四章 基于代价敏感布雷格曼散度的旋转机械轴承故障诊断44-58
• 4.1 概述44-45
• 4.2 轴承实验信号采集45-46
• 4.2.1 实验装置45
• 4.2.2 轴承故障设置45-46
• 4.2.3 信号采集46
• 4.3 实验数据的处理46-55
• 4.3.1 轴承振动信号特征分析46-53
• 4.3.2 轴承振动信号故障特征提取53-55
• 4.4 旋转机械轴承故障诊断55-57
• 4.5 本章小结57-58
• 结论与展望58-60
• 参考文献60-65
• 致谢65-66
• 攻读学位期间发表的论文及参与的科研项目66

【参考文献】

中国期刊全文数据库 前10条

1 屈跃灵,张雁,李会轩;转盘轴承常见故障分析及改进措施[J];轴承;2000年09期

2 王卓 ,田振华 ,赵丁选;滚动轴承的振动监测与故障诊断系统[J];轴承;2002年03期

3 余光伟;郑敏;雷子恒;宋卓远;朱贸;;小波变换在滚动轴承故障分析中的应用[J];轴承;2011年07期

4 杨伟;贾石峰;;基于RBF神经网络的风力发电机组故障诊断研究[J];电气传动自动化;2009年02期

5 陈果;;滚动轴承早期故障的特征提取与智能诊断[J];航空学报;2009年02期

6 郑恩辉;李平;宋执环;;代价敏感支持向量机[J];控制与决策;2006年04期

7 唐明珠;阳春华;桂卫华;谢永芳;;代价敏感概率神经网络及其在故障诊断中的应用[J];控制与决策;2010年07期

8 常家东;基于BP神经网络的磨机调心滚子轴承故障诊断研究[J];煤矿机械;2004年03期

9 郭艳平;颜文俊;包哲静;杨强;;基于经验模态分解和散度指标的风力发电机滚动轴承故障诊断方法[J];电力系统保护与控制;2012年17期

10 程光友;;时域指标在滚动轴承故障诊断中的应用[J];中国设备工程;2005年12期

中国博士学位论文全文数据库 前2条

1 陈晓林;基于动态代价敏感的机器学习研究[D];华中科技大学;2010年

2 李萌;旋转机械轴承故障的特征提取与模式识别方法研究[D];吉林大学;2008年

中国硕士学位论文全文数据库 前4条

1 李辉;滚动轴承和齿轮振动信号分析与故障诊断方法[D];西北工业大学;2001年

2 陈刚;齿轮和滚动轴承故障的振动诊断[D];西北工业大学;2007年

3 张维新;基于小波分析与神经网络的轴承故障诊断研究[D];天津大学;2008年

4 瞿益丹;基于HHT和SVM的滚动轴承故障振动信号的诊断研究[D];中南大学;2012年

本文编号：1029728