特征優(yōu)化方法研究及其在軸承故障診斷中的應(yīng)用.pdf

1、隨著制造業(yè)技術(shù)的發(fā)展和需求的不斷提升，人們對(duì)制造裝備和機(jī)械產(chǎn)品的安全性、可靠性要求越來越高，需求的提升帶來了現(xiàn)代機(jī)械設(shè)備的復(fù)雜度、精密度、集成度也越來越高。最近十年的科技發(fā)展，特別是人工智能技術(shù)的發(fā)展也深刻的影響著機(jī)械設(shè)備對(duì)智能化的需求。機(jī)械設(shè)備故障診斷作為保障機(jī)械設(shè)備特別是大型機(jī)械設(shè)備可靠運(yùn)行的關(guān)鍵技術(shù)，其重要性正不斷的得到凸顯。另外，設(shè)備發(fā)生故障后不僅導(dǎo)致生產(chǎn)中斷和經(jīng)濟(jì)損失，增加企業(yè)的運(yùn)營成本，嚴(yán)重時(shí)會(huì)導(dǎo)致人員傷亡、環(huán)境污染等重大的

2、社會(huì)影響。
　　隨著機(jī)械設(shè)備越來越復(fù)雜，工業(yè)機(jī)器人等人工智能體隊(duì)伍越來越龐大，傳統(tǒng)的基于信號(hào)時(shí)間序列和頻域分析的機(jī)械故障診斷方法越來越難以滿足大數(shù)據(jù)環(huán)境下的機(jī)械設(shè)備實(shí)時(shí)診斷和監(jiān)測需求，使得基于特征的方法越來越得到廣大工程師和研究人員的親睞。另外，伴隨著數(shù)據(jù)的越來越多，數(shù)據(jù)種類也隨之越來越多，傳統(tǒng)的方法明顯已經(jīng)無法滿足先進(jìn)設(shè)備故障診斷的要求，而現(xiàn)代模式識(shí)別技術(shù)是人工智能的產(chǎn)物，是解決大數(shù)據(jù)、多維特征的好方法。因此，將基于特征優(yōu)化的方

3、法應(yīng)用于機(jī)械故障診斷領(lǐng)域?qū)⒂兄鴱V闊的發(fā)展和應(yīng)用空間?；谔卣鲀?yōu)化的方法不僅擺脫了多維機(jī)械設(shè)備信號(hào)間很多傳統(tǒng)方法無法解釋的問題，更為數(shù)據(jù)融合和模式識(shí)別提供的空間和方法。特征作為模式識(shí)別的基礎(chǔ)，特征的結(jié)構(gòu)對(duì)模式識(shí)別方法有著重要的影響，因此，研究特征優(yōu)化方法對(duì)于模式識(shí)別有著重要的意義，基于這些考慮，本文的主要內(nèi)容和結(jié)論如下：
　　(1)從機(jī)械設(shè)備發(fā)展的方向以及工業(yè)社會(huì)中人工智能趨勢出發(fā)，聯(lián)系到機(jī)械故障診斷技術(shù)在現(xiàn)代工業(yè)社會(huì)的重要性，闡述

4、了論文選題的背景和意義。以軸承這一機(jī)械結(jié)構(gòu)的核心部件，研究特征優(yōu)化方法在機(jī)械故障診斷領(lǐng)域的應(yīng)用。從特征選擇和特征提取兩個(gè)方面介紹了特征優(yōu)化方法。
　　(2)介紹了基于Bayesian方法的特征選擇模型，將余弦距離度量引入支持向量機(jī)中，使得新的特征選擇模型不僅具有特征選擇的能力，還具有在選擇特征的同時(shí)對(duì)特征空間進(jìn)行優(yōu)化，能夠同步實(shí)現(xiàn)特征約簡和減小類內(nèi)距離和類間距離的比值。另外，在理論上推導(dǎo)出來本方法的Bayesian決策特性，同時(shí)采

5、用數(shù)值迭代方法實(shí)現(xiàn)了模型中參數(shù)的優(yōu)化。
　　(3)提出了基于小波圖像融合的特征選擇方法。將圖像融合技術(shù)引入軸承故障診斷中的特征提取過程，針對(duì)軸承故障的特點(diǎn)設(shè)計(jì)專門的特征提取方法，使得特征提取方法在本質(zhì)上具有較強(qiáng)的降噪能力和區(qū)分度，使得提取的模式能夠很容易的被識(shí)別。
　　(4)用實(shí)驗(yàn)的方法證明了特征優(yōu)化方法的正確性和實(shí)用性。通過軸承試驗(yàn)臺(tái)的數(shù)據(jù)，采用基于 Bayesian優(yōu)化的特征選擇方法和基于小波圖像融合的特征提取方法對(duì)軸承