基于粗糙集理论和人工神经网络的滚动轴承故障诊断
随着现代机械设备日趋大型化、精密化和自动化，有效的机械故障诊断作为系统可靠和安全运行的保障，具有非常重要的价值。滚动轴承因摩擦力小、装配方便等优点成为机械设备中最常用的零部件，其稳定性直接影响设备的性能。对滚动轴承实施状态监测与故障诊断，对避免经济损失和重大事故发生有重大意义。 在滚动轴承故障诊断中，振动分析是最常用和有效的方法。掌握滚动轴承振动机理，确定振动信号测定方式，模拟滚动轴承内圈、外圈故障后，构建故障诊断实验系统。本文采集并处理振动信号，从时域、频域和时频域分析并提取反映滚动轴承运作状态的特征向量。 其中，基于经验的模态分解根据自身时间尺度特征分解信号，具有高信噪比和自适应性，在非线性、非平稳信号的分析和处理上占有很大优势；小波分析采用变化的窗函数实现局部化的频率分析，具有多分辨特性，广泛应用于信号的降噪和压缩，从小波能量的角度出发，可以挑选感兴趣的分层进行分析；小波包分析是小波分析的延伸与拓展，实现高频和低频的同步分解，提高时频分辨率，更具应用价值。 粗糙集理论是人工智能领域中处理不完备、不精确信息的软计算方法，在知识挖掘、决策分析等领域有着广泛的应用。在滚动轴承故障诊断中，保证诊断精度不变的情况下，粗糙集能有效地减少特征维数，保留核属性，减小计算量和不确定因素的影响，降低故障诊断系统的复杂度与规模。 人工神经网络模拟人脑结构和功能，是强大的信息处理系统，具有高度自适应性、并行处理方式、自我学习和归纳的能力。通过学习和训练，神经网络由故障症状推断故障产生原因，实现滚动轴承故障诊断和模式识别。 本文采用三种方法对比实现轴承故障诊断。第一，将归一化的特征向量导入训练好的神经网络，实现滚动轴承故障诊断；第二，建立粗糙集分类器，通过自学习实现滚动轴承状态分类；第三，将粗糙集作为前端数据预处理器，实现数据离散、属性约简和决策规则的生成，优化的特征参量作为神经网络的输入。结果表明，粗糙集和神经网络相结合的故障诊断系统准确率和效率明显提高。 本文的重点是实现敏感特征向量的有效提取，灵活运用粗糙集理论预处理特征，消除冗余信息，防止信息爆炸，结合神经网络容错和泛化能力强的优势，有效地实现滚动轴承故障诊断。同时，粗糙集理论作为全新的特征降维技术，在智能化故障诊断领域都有着广泛的应用和发展。
滚动轴承;故障诊断;经验模态分解;小波包分析;粗糙集;人工神经网络
西南交通大学
硕士
测试计量技术及仪器
傅攀
2012
中文
TH133.33;TP277
95
2012-09-29（万方平台首次上网日期，不代表论文的发表时间）