基于凸包的模式識(shí)別方法及其在滾動(dòng)軸承故障診斷中的應(yīng)用.pdf

1、滾動(dòng)軸承作為關(guān)鍵部件已經(jīng)被廣泛地應(yīng)用于旋轉(zhuǎn)機(jī)械設(shè)備。旋轉(zhuǎn)機(jī)械設(shè)備的運(yùn)行性能與滾動(dòng)軸承的工作狀態(tài)緊密相關(guān)。因此，滾動(dòng)軸承故障診斷技術(shù)一直以來(lái)都是機(jī)械故障診斷領(lǐng)域中的重要研究課題。隨著機(jī)械設(shè)備自動(dòng)化程度越來(lái)越高，為了及時(shí)準(zhǔn)確地對(duì)滾動(dòng)軸承進(jìn)行故障診斷，開展智能故障診斷研究顯得尤為必要。
　　滾動(dòng)軸承故障診斷包含故障檢測(cè)和故障類型識(shí)別兩個(gè)方面。故障檢測(cè)實(shí)質(zhì)上是一個(gè)單分類問(wèn)題，而故障類型識(shí)別是一個(gè)多分類問(wèn)題。因此，滾動(dòng)軸承智能故障診斷的關(guān)鍵

2、在于模式識(shí)別。近年來(lái)，基于概率統(tǒng)計(jì)的模式識(shí)別方法、聚類算法、神經(jīng)網(wǎng)絡(luò)和基于核的模式識(shí)別方法等被國(guó)內(nèi)外相關(guān)學(xué)者應(yīng)用到滾動(dòng)軸承的故障診斷，并取得了豐碩的研究成果。其中，基于核的模式識(shí)別方法尤其受到關(guān)注。從幾何角度來(lái)看，一些典型的基于核的模式識(shí)別方法如支持向量機(jī)、支持向量數(shù)據(jù)描述和最大間隔仿射包分類等都是采用一種幾何模型估計(jì)樣本集的類別分布，然后再利用某種決策規(guī)則建立分類模型。受這一思路啟發(fā)，論文在國(guó)家自然科學(xué)基金項(xiàng)目（項(xiàng)目編號(hào):510751

3、31）和湖南省研究生科研創(chuàng)新項(xiàng)目(項(xiàng)目編號(hào):CX2014B146)的資助下，將凸包作為類別分布的估計(jì)模型并提出了基于凸包的模式識(shí)別方法，為滾動(dòng)軸承智能故障診斷提供新的思路和技術(shù)。
　　論文主要研究工作如下:
　　(1)針對(duì)滾動(dòng)軸承的故障檢測(cè)問(wèn)題，提出了基于凸包的單分類(One-ClassClassification based on the Convex Hull，OCCCH)方法，并且提出了廣義Gilbert算法解決OCC

4、CH涉及的最小模問(wèn)題。闡述了OCCCH與單類支持向量機(jī)(One-Class Support Vector Machine，OCSVM)之間的關(guān)系，并通過(guò)數(shù)值實(shí)驗(yàn)對(duì)比分析了這兩種單分類方法的分類精度和計(jì)算效率。實(shí)驗(yàn)結(jié)果表明，使用廣義Gilbert算法的OCCCH在計(jì)算效率方面要優(yōu)于使用貫序最小優(yōu)化(SequentialMinimal Optimization，SMO)算法的OCSVM，并且兩者的分類精度相當(dāng)。
　　(2)針對(duì)OCCC

5、H的核參數(shù)選擇問(wèn)題，提出了改進(jìn)的MIES(Improved MIES，IMIES)算法選擇高斯核參數(shù)。通過(guò)數(shù)值實(shí)驗(yàn)對(duì)比分析了IMIES與另外兩種基于決策邊界松緊程度的高斯核參數(shù)選擇方法(MIES和DTL)的性能。實(shí)驗(yàn)結(jié)果表明，IMIES能夠比MIES和DTL選擇更為合適的高斯核參數(shù)。經(jīng)過(guò)IMIES選擇高斯核參數(shù)和廣義Gilbert算法訓(xùn)練模型，將OCCCH應(yīng)用于滾動(dòng)軸承故障檢測(cè)，結(jié)果表明所提出的單分類方法可有效檢測(cè)滾動(dòng)軸承的故障。

6、>　　(3)針對(duì)廣義Gilbert算法在迭代后期速度變得緩慢這一問(wèn)題，提出了廣義Mitchell-Dem'yanov-Malozemov(MDM)算法解決OCCCH中的最小模問(wèn)題。從理論上比較了廣義MDM算法和廣義Gilbert算法在更新策略和算法復(fù)雜度等方面的不同。數(shù)值實(shí)驗(yàn)對(duì)比分析結(jié)果表明，廣義MDM算法相對(duì)于廣義Gilbert算法在計(jì)算效率方面具有明顯優(yōu)勢(shì)。
　　(4)針對(duì)滾動(dòng)軸承的故障類型識(shí)別問(wèn)題，在定義彈性凸包的基礎(chǔ)上提出

7、了最大間隔彈性凸包分類(Maximum Margin Classification based on Flexible Convex Hulls，MMC-FCH)方法。通過(guò)數(shù)值實(shí)驗(yàn)驗(yàn)證了MMC-FCH的有效性，同時(shí)也將其與另兩種最大間隔分類方法比較。將MMC-FCH應(yīng)用到滾動(dòng)軸承的故障類型識(shí)別。實(shí)驗(yàn)結(jié)果表明，MMC-FCH不僅可以識(shí)別滾動(dòng)軸承的故障位置也能夠識(shí)別故障程度。
　　(5)將凸包估計(jì)與最近鄰分類思想相融合，提出了基于凸包

8、的另一種多分類方法，即最近鄰?fù)拱诸?Nearest Neighbor Convex Hull Classification，NNCHC)方法。同時(shí)，對(duì)廣義MDM算法進(jìn)行修改并將其推廣到NNCHC中的優(yōu)化問(wèn)題。將NNCHC和局部特征尺度分解(Local Characteristic-scale Decomposition，LCD)相結(jié)合，提出了基于NNCHC和LCD的滾動(dòng)軸承故障診斷方法。實(shí)驗(yàn)結(jié)果表明，NNCHC能成功地實(shí)現(xiàn)對(duì)滾動(dòng)軸承故