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，人們對制造裝備和機械產(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械設(shè)備對智能化的需求。機械設(shè)備故障診斷作為保障機械設(shè)備特別是大型機械設(shè)備可靠運行的關(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)濟損失，增加企業(yè)的運營成本，嚴重時會導(dǎo)致人員傷亡、環(huán)境污染等重大的

2、社會影響。
　　隨著機械設(shè)備越來越復(fù)雜，工業(yè)機器人等人工智能體隊伍越來越龐大，傳統(tǒng)的基于信號時間序列和頻域分析的機械故障診斷方法越來越難以滿足大數(shù)據(jù)環(huán)境下的機械設(shè)備實時診斷和監(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)無法滿足先進設(shè)備故障診斷的要求，而現(xiàn)代模式識別技術(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)用于機械故障診斷領(lǐng)域?qū)⒂兄鴱V闊的發(fā)展和應(yīng)用空間。基于特征優(yōu)化的方法不僅擺脫了多維機械設(shè)備信號間很多傳統(tǒng)方法無法解釋的問題，更為數(shù)據(jù)融合和模式識別提供的空間和方法。特征作為模式識別的基礎(chǔ)，特征的結(jié)構(gòu)對模式識別方法有著重要的影響，因此，研究特征優(yōu)化方法對于模式識別有著重要的意義，基于這些考慮，本文的主要內(nèi)容和結(jié)論如下：
　　(1)從機械設(shè)備發(fā)展的方向以及工業(yè)社會中人工智能趨勢出發(fā)，聯(lián)系到機械故障診斷技術(shù)在現(xiàn)代工業(yè)社會的重要性，闡述

4、了論文選題的背景和意義。以軸承這一機械結(jié)構(gòu)的核心部件，研究特征優(yōu)化方法在機械故障診斷領(lǐng)域的應(yīng)用。從特征選擇和特征提取兩個方面介紹了特征優(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對特征空間進行優(yōu)化，能夠同步實現(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，同時采

5、用數(shù)值迭代方法實現(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，針對軸承故障的特點設(shè)計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別。
　　(4)用實驗的方法證明了特征優(yōu)化方法的正確性和實用性。通過軸承試驗臺的數(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軸承