基于lmd样本熵和贝叶斯网络的滚动轴承故障诊断方法

《基于lmd样本熵和贝叶斯网络的滚动轴承故障诊断方法》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、硕士学位论文MASTER'SDISSERTATION论文题目基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法作者姓名李男学科专业模式识别与智能系统指导教师姚成玉教授2015年5月中图分类号：TH165.3、TH133.33学校代码：10216UDC：62-7、621.8密级：公开工学硕士学位论文(应用研究型)基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法硕士研究生：李男导师：姚成玉教授申请学位：工学硕士学科专业：模式识别与智能系统所在单位：电气工程学院答辩日期：2015年5月授予学位单位：燕山大学ADissertationinPatternRecognitionan

2、dIntelligentSystemFAULTDIAGNOSISMETHODOFROLLINGELEMENTBEARINGSBASEDONLMDSAMPLEENTROPYANDBAYESIANNETWORKSbyLiNanSupervisor:ProfessorYaoChengyuYanshanUniversityMay,2015燕山大学硕士学位论文原创性声明本人郑重声明：此处所提交的硕士学位论文《基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法》，是本人在导师指导下，在燕山大学攻读硕士学位期间独立进行研究工作所取得的成果。论文中除已注明部分外不包含他人已发表或撰写过的

3、研究成果。对本文的研究工作做出重要贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签字：日期：年月日燕山大学硕士学位论文使用授权书《基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法》系本人在燕山大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归燕山大学所有，本论文的研究内容不得以其他单位的名义发表。本人完全了解燕山大学关于保存、使用学位论文的规定，同意学校保留并向有关部门送交论文的复印件和电子版本，允许论文被查阅和借阅。本人授权燕山大学，可以采用影印、缩印或其他复制手段保存论文，可以公布论文的全部或部分内容。保密□，

4、在年解密后适用本授权书。本学位论文属于不保密□。（请在以上相应方框内打“√”）作者签名：日期：年月日导师签名：日期：年月日摘要在机械设备中，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(LocalMeanDecomposition,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(EmpiricalModeDecomposition,EMD)方

5、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(ProductionFunction,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

6、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CaseWesternReserve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

7、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-I-AbstractInmechanicalequipment,rollingbearingisoneofthemostwidelyusedbasiccomponent,whichoperationingoodconditionornotoftenhasadirectlyimpactontheperformanceofthewholemachine.Therefore,conditionmonitoringandfaultdi