资源描述：
《基于贝叶斯算法的齿轮箱故障诊断和剩余寿命预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、分类号TP306.3密级基于贝叶斯算法的齿轮箱故障诊断和剩余寿命预测研究生姓名：杜坤指导教师姓名、职称：彭成、讲师学科专业：计算机应用技术研究方向：工业大数据分析与处理湖南工业大学二○一八年六月十二日摘要互联网+时代，随着中国制造2025的提出，工业生产已向着网络化、智能化方向迈进。齿轮作为重要的传动元件，在工业生产中扮演着重要角色。近几年，为了减少人力对齿轮设备进行维护与管理带来的成本和误差，齿轮故障诊断和剩余寿命方法已成为研究热点，而大多数研究基于解析模型，主要通过构造观测器估计系统输出，然后将其与输出的测量值作比较从中取得信息，这种模型往
2、往需要建立精确的系统性模型，但随着齿轮等设备复杂化，无法建立这种模型，也就不能进行正确的故障诊断和剩余寿命预测研究。针对此问题，本文提出基于数据驱动的方法，研究的主要工作：利用从齿轮、齿轮轴承中所获得的正常和模拟的振动信号，通过贝叶斯算法来进行齿轮故障诊断和轴承剩余寿命预测，细分如下：（1）通过离散傅立叶变换(FFT)对齿轮振动信号进行特征提取，统计每个特征值，运用降维和决策树J48算法找到最佳特征数量，再使用朴素贝叶斯和贝叶斯网络分类器，对二者的分类精度比较，最终找到优越的特征分类器。其中朴素贝叶斯方法获得了83.74%的分类精度，并利用混肴
3、矩阵进行分类器验证。（2）利用获得的齿轮轴承振动信号，再基于改进贝叶斯推理算法对其进行剩余寿命预测(RUL)。在RUL的研究中，主要是由加速度计拾取、采集齿轮箱中的轴承振动信号，从小波阈值去噪中提取健康指标，然后对指标采取线性降维方法和特征累计。最后，利用改进的贝叶斯推理算法进行轴承RUL预测，并且应用该算法到QPZZ-II平台进行实验。获得了93.49%的平均精度。关键词：振动信号，贝叶斯算法，齿轮故障诊断，轴承剩余寿命预测IABSTRACTIntheeraofInternet+,withthedevelopmentofChinaMade20
4、25,industrialproductionhasmovedtowardnetworkingandintelligence.Asanimportanttransmissionelement,gearsplayanimportantroleinindustrialproduction.Inrecentyearsinordertoreducethecostsanderrorsbroughtaboutbymanpowermaintenanceandmanagementofgearequipment,gearfaultdiagnosisandrema
5、ininglifemethodshavebecomearesearchhotspot.Mostresearchesarebasedonanalyticalmodels,mainlythroughtheconstructionofanobservertoestimatethesystemoutput,andthenBycomparingitwiththeoutputmeasuredvaluetoobtaininformation,thismodeloftenrequirestheestablishmentofanaccuratesystemmod
6、el,butwiththecomplicatedequipmentsuchasgears,thismodelcannotbeestablished,andthecorrectfaultdiagnosisandpredictionofremaininglifecannotbeperformed.Forecastresearch.Inresponsetothisproblem,thispaperproposesadata-drivenmethod,andusingnormalandsimulatedvibrationsignalswhichobta
7、inedfromgears,gearbearings,FaultdiagnosisandpredictionofbearingresiduallifebyBayesianalgorithm.Thebreakdownisasfollows:(1)FeatureextractionofgearvibrationsignalsthroughdiscreteFouriertransform(FFT),statisticsofeacheigenvalue,usingdimensionalityreductionanddecisiontreeJ48algo
8、rithmstofindtheoptimalnumberoffeatures,andthenusingnaiveBayesianandBayesian
