基于贝叶斯网的轴承失效分析应用研究

发布时间：2017-05-26 18:13

  本文关键词：基于贝叶斯网的轴承失效分析应用研究，由笔耕文化传播整理发布。

【摘要】：轴承是机械设备中最常见的零部件，其性能与工况的好坏直接影响到与之相联的转轴以及安装在转轴上的齿轮乃至整个机器设备的性能。研究轴承的失效机理，提出相应的预防和维护措施，对于降低设备的维修费用，延长设备工作周期，提高经济效益，保证设备的长期安全稳定运行，均有现实的意义。 目前常见的失效分析方法或是基于轴承运行信号测取，或是基于专家经验知识的主观诊断，但由于轴承结构、运行过程以及外界环境的复杂性，轴承的失效故障征兆和故障原因之间并不是简单的一一映射关系，，它们之间存在着复杂的一对多和（或）多对一关系，使得在失效分析诊断过程中存在着许多模糊的、不确定的因素，从而导致在失效分析过程中存在着大量传统方法难以解决的不确定性问题。本文以滚动轴承失效分析问题的研究为背景，利用贝叶斯网络的不确定性推理能力，以及描述随机变量间依赖关系的能力，探讨了贝叶斯网络技术在轴承失效分析中的应用。 在对轴承的传统分析方法，常见的失效特征、机理、影响因素进行系统分析的基础上，总结了轴承失效分析中的不确定性问题的来源；针对轴承失效分析过程中变量的多态性、因果关系的复杂性以及专家经验的局限性等不确定性因素，采用贝叶斯网络建立相应的失效分析模型，提出了失效贝叶斯网络的概念，并给出了具体的构造步骤；在贝叶斯网络的学习理论中重点研究了贝叶斯网络的结构学习算法，并改进了传统的基于爬山算法的贝叶斯网络结构构造方法；在分析诊断推理过程中，采用团树传播推理算法来进行失效概率推理，该算法能将推理过程发生在一个有限的局部范围内，降低失效概率推理的复杂度，从而使得快速、准确的得出推理结论成为可能。 最后的实验阶段，采用Norsys公司开发的NETICA贝叶斯网络工具箱进行了验证，使用改进的结构学习算法建立了轴承失效分析的贝叶斯网络模型，并对该模型输入样本数据，使用团树推理算法进行了概率推理计算，实验结果表明了本文方法的有效性，在输入失效数据时能够较为准确的获得相应的失效故障原因，达到了实验预期。
【关键词】：轴承失效分析 贝叶斯网络 不确定性 结构学习 网络推理
【学位授予单位】：河南科技大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH133.3;TH165.3
【目录】：

• 摘要2-4
• ABSTRACT4-8
• 第1章 绪论8-17
• 1.1 研究背景及意义8
• 1.2 轴承失效分析的基本内容及方法8-9
• 1.3 国内外研究的概括及发展趋势9-14
• 1.4 本文主要研究内容及组织结构14-17
• 第2章 轴承失效特征及其不确定性17-31
• 2.1 轴承失效特征17-23
• 2.1.1 轴承的疲劳失效17-18
• 2.1.2 轴承的胶合失效18-19
• 2.1.3 轴承的磨损失效19-20
• 2.1.4 轴承的烧伤失效20
• 2.1.5 轴承的腐蚀失效20-21
• 2.1.6 轴承的破损失效21-22
• 2.1.7 轴承的压痕失效22
• 2.1.8 其它轴承失效特征22-23
• 2.2 轴承失效分析中的不确定问题23-25
• 2.3 不确定性信息及其推理25-29
• 2.4 本章小结29-31
• 第3章 贝叶斯网络基本理论31-43
• 3.1 概述31-33
• 3.2 贝叶斯网络模型的学习33-37
• 3.2.1 贝叶斯网络模型的结构学习35-36
• 3.2.2 贝叶斯网络模型的参数学习36-37
• 3.3 贝叶斯网络模型的推理37-42
• 3.3.1 主要的推理算法38-42
• 3.4 本章小结42-43
• 第4章 失效分析的贝叶斯网络模型建立43-53
• 4.1 失效贝叶斯网络模型43-45
• 4.1.1 定义43-44
• 4.1.2 失效贝叶斯网络模型的构造44-45
• 4.2 贝叶斯网络结构的增量学习算法45-52
• 4.2.1 算法的改进46-47
• 4.2.2 基于改进爬山算法的贝叶斯网络结构增量学习47-48
• 4.2.3 实验结果48-52
• 4.3 本章小结52-53
• 第5章 失效分析中的贝叶斯网络推理53-59
• 5.1 引言53
• 5.2 失效贝叶斯网的推理算法53-58
• 5.2.1 团树的构造算法54-57
• 5.2.2 团树的诊断分析推理57-58
• 5.3 本章小结58-59
• 第6章 失效贝叶斯网络在轴承失效分析中的应用59-71
• 6.1 引言59
• 6.2 轴承的失效分析系统结构图59-61
• 6.3 贝叶斯失效分析实例61-68
• 6.3.1 构建网络拓扑结构及参数设置61-63
• 6.3.2 失效贝叶斯网的推理过程63-65
• 6.3.3 贝叶斯网络的失效分析诊断实现65-68
• 6.4 结果与评价68-69
• 6.5 本章小结69-71
• 第7章 结论与展望71-73
• 7.1 主要研究结论71-72
• 7.2 不足和展望72-73
• 参考文献73-77
• 致谢77-78
• 攻读硕士学位期间的研究成果78

【参考文献】

中国期刊全文数据库 前10条

1 刘召广;潘炼;王君;;模糊神经网络在发动机故障诊断中应用研究[J];传感器世界;2008年04期

2 刘桥方,严枫;我国轴承制造技术的现状及其发展趋势[J];轴承;2005年06期

3 宋光雄;何永勇;褚福磊;;汽轮机振动故障诊断知识信息服务系统[J];电力系统自动化;2006年01期

4 王军,周伟达;贝叶斯网络的研究与进展[J];电子科技;1999年15期

5 薛万欣,刘大有,张弘;Bayesian网中概率参数学习方法[J];电子学报;2003年11期

6 田凤占,黄丽,于剑,黄厚宽;包含隐变量的贝叶斯网络增量学习方法[J];电子学报;2005年11期

7 华斌,周建中,喻菁;贝叶斯网络在水电机组故障诊断中的应用研究[J];华北电力大学学报;2004年05期

8 刘大有,王飞,卢奕南,薛万欣,王松昕;基于遗传算法的Bayesian网结构学习研究[J];计算机研究与发展;2001年08期

9 王飞,刘大有,王淞昕;基于遗传算法的Bayesian网结构增量学习的研究[J];计算机研究与发展;2005年09期

10 李俭川,胡茑庆,秦国军,温熙森;基于故障树的贝叶斯网络建造方法与故障诊断应用[J];计算机工程与应用;2003年24期

  本文关键词：基于贝叶斯网的轴承失效分析应用研究，由笔耕文化传播整理发布。

本文编号：397687