基于机器学习的滚动轴承智能诊断方法研究

《基于机器学习的滚动轴承智能诊断方法研究》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、＇．；，Ｉ＇ｆ＼郑．斗ＪＩ．心ｖ．Ｖ＃八号身如密＠‘．、，Ｃ４糾Ｃ学Ｍ？Ｓ＼Ｉ＞管＇１ｉ；，扛，Ｔ４餐ｔｒ．ｆ穗ｔＩｎ４＾．巧ＭＶ之Ａ卷ｖ５ｔｆｉ．旬１ｌ－ｉｕＪ皆；诚±１塔硕ｄ学立ｉ论＾乃－．－５化５Ｗｉ＾＾＾爵？；乂＇．．‘＊、，，＇？■．目＾习鎌剛智能若＞－－Ｓ／Ｔ：妨測職－；茜一ｔ．ｒ：；、．．，语‘＾．？：？袭Ｃ聲？．％．＾Ｔ等ｔ１Ｋ重，绿．工；学别獅，－４終ＰＶ＂：ｆｎ业寧ｔ专ｒ祿控Ｓ：４．一ｆ；＇ｆ巧？￡－；＊：Ｎ．研生ＪＳ名輔林。Ｉ／ｒｖｆ；Ｖ．，

2、导铭鄉斜Ｗ＾待＾乎巧：＾胥’．琼＊ｒ一Ｖｔｏ芳、：；ｆ／．＞聲。十Ｘ．－，ｒ＇＇Ｃｔ‘－皮＞勇麥．、，：鸭．１，／．達追＇；学位论文独创性声明本人声明所呈交的论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所如除了文中特别加队标注和致谢的地方外，论文中不包含其他人己经发表或撰写过的研究成果。，也不包含已获得江西理工大学或其他教育机构的学位或证书而使用过的材料与我一同工作的同志对本研究所做的任何巧献均己在论文中做了明确的说明并表示谢意。一申研请学位论文与资料若有不实之处，本人承担切

3、相关责任。究生签名；襄若时间；年Ｗ月？。曰味学位论文版权使用授权书存本人完全了解江西理工大学关于收集、保存、使用学位论义的规定：即学校有权保按要求提交的学位论文印刷本和电子版本，学校有权将学位论文的全部或者部分内容编入有关数据库进斤检索，并采用影印、缩印或扫描等复制手段保存、汇编供查阅和借阅；学校有权按有关规定向国家有关部口或者机构送交论文的复印件和电子版。本人允许本学位论文被查阅和借阅，同意学校向国家有关部口或机构送交论文的复印件和电保子版，并通过网络向社会公众提供信息服务。密的学位论文在解密后适用本授权书学位论义作者签名（手写）：林

4、导师签名（手写）签Ｍｉ字日期：如１许ｆ巧友日签字日期：＞１支年。月＞日分类号：密级：UDC：学号：6720130363硕士学位论文基于机器学习的滚动轴承智能诊断方法研究Researchonintelligentdiagnosismethodforrollingelementbearingbasedonmachinelearning学位类别：_工程硕士_作者姓名：______吴武林_______学科、专业：_控制工程_研究方向：机器学习_指导教师：____梁礼明___2015年12月28日江西理工大学硕士学位论文摘要摘要机械设备在现代化工业中占据着相当关键的地位，直接

5、影响企业中工业生产的正常运行。当机械设备出现早期故障时，需要对它及时修理，以免造成更大伤害，这就要求在技术上能够诊断出早期的轻微故障。机械设备的诊断过程通常分为三步：第一步是诊断信息获取；第二步是特征提取，即从第一步获取的信息中挖掘出设备的故障信息；第三步是状态识别和故障诊断。其中特征提取是诊断过程中关键的环节，它直接影响诊断结果的准确性，关系到诊断系统能否发现设备潜在的故障。因此，如何提取最优的低维故障特征从而提高故障分类性能是目前面临的一个巨大的挑战。状态识别阶段即使用模式识别、机器学习方法识别样本，使用不同的识别方法某种程度上会影响识别精度。本论文以机器学习算法为基础，以滚

6、动轴承为对象，研究运用不同的机器学习方法对其特征提取与诊断识别。复杂故障设备多个特征参数的参数之间存在冗余性或不相关性，不利于故障诊断，而经典的线性降维方法不能满足非线性故障数据的降维要求。针对这个问题，本文将低秩鉴别投影的特征提取方法与稀疏表示分类器结合起来构成故障诊断模型。为了寻求对应数据的最优参数，实现参数自适应，引入网格搜索算法。经实例仿真表明，低秩鉴别投影算法能够比较准确地描述数据的全局结构和判别结构，将模型应用到滚动轴承故障特征提取中是可取的。轴承早期故障特征难以提取，针对传统流形学习算法未能充分利用样本的类别信息，并且不能对新加入的样本进行快速处理的缺点，将监督的正

7、交局部保持投影算法应用于轴承故障特征提取。运用正交局部保持投影方法通过高维训练样本数据求出正交转换矩阵，测试样本经正交转换矩阵转化后得到低维向量。利用不同故障样本的类间散度和同种故障样本的类内散度两个指标来衡量该方法的有效性，经故障实例仿真表明正交局部保持投影算法的应用效果较传统方法以及低秩鉴别投影算法更优越。通常利用时频分析方法获取机械设备工作时信号的时频谱图后，还要继续提取特征，然而提取特征比较困难，并且可能会丢失振动信号的重要信息而影响后续的故障识别。为了解决这个难题，引入