基于復(fù)雜網(wǎng)絡(luò)社團(tuán)聚類的機(jī)械故障診斷方法及其應(yīng)用研究.pdf

1、隨著工業(yè)技術(shù)的進(jìn)步，大型復(fù)雜機(jī)械正朝著大型化、復(fù)雜化、集成化發(fā)展，設(shè)備一旦發(fā)生重大故障將嚴(yán)重影響工業(yè)生產(chǎn)，造成重大經(jīng)濟(jì)損失。因此，對大型復(fù)雜機(jī)械進(jìn)行準(zhǔn)確故障診斷，確保機(jī)械設(shè)備安全準(zhǔn)確運(yùn)行是當(dāng)前機(jī)械故障診斷領(lǐng)域的研究熱點(diǎn)之一。復(fù)雜網(wǎng)絡(luò)是近年興起的新的研究方法，是一種用來描述復(fù)雜系統(tǒng)的重要模型和工具。它將系統(tǒng)中的元素視為網(wǎng)絡(luò)節(jié)點(diǎn)，節(jié)點(diǎn)之間的連接邊表示元素之間的關(guān)系，通過對節(jié)點(diǎn)與邊的分析挖掘網(wǎng)絡(luò)中的自組織、自相似、小世界等特性，其中小世界性表

2、現(xiàn)為節(jié)點(diǎn)相互連接組成的小集合，這些集合內(nèi)部連接緊密，與集合外部連接較少，這種特性又稱為社團(tuán)特性，這正好與故障診斷領(lǐng)域同類故障樣本之間聯(lián)系緊密、不同故障樣本之間聯(lián)系稀疏的特性相對應(yīng)。論文將故障樣本視為復(fù)雜網(wǎng)絡(luò)中的節(jié)點(diǎn)，建立故障樣本復(fù)雜網(wǎng)絡(luò)模型，并開展社團(tuán)聚類診斷分析。主要工作如下:
　　(1)開展了故障樣本復(fù)雜網(wǎng)絡(luò)社團(tuán)特性分析，確定相似度函數(shù)、網(wǎng)絡(luò)邊權(quán)、邊閾值等因數(shù)，建立故障樣本網(wǎng)絡(luò)模型;研究了基于互信息評價網(wǎng)絡(luò)模型中重要節(jié)點(diǎn)的計算

3、方法，并驗(yàn)證了該方法較其他方法的優(yōu)越性。
　　(2)研究了基于復(fù)雜網(wǎng)絡(luò)社團(tuán)聚類的故障診斷方法。應(yīng)用復(fù)雜網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)特性，將網(wǎng)絡(luò)劃分為若干個社團(tuán)，利用社團(tuán)模塊性合并指標(biāo)變化開展社團(tuán)聚類，最后合并的社團(tuán)對應(yīng)不同故障類型，實(shí)現(xiàn)診斷;以滾動軸承故障診斷實(shí)例驗(yàn)證了方法的有效性。
　　(3)研究了基于復(fù)雜網(wǎng)絡(luò)社團(tuán)聚類的改進(jìn)K-means聚類診斷方法。針對K-means聚類算法依賴于初始聚類數(shù)K值和初始聚類中心的不足，利用復(fù)雜網(wǎng)絡(luò)社團(tuán)聚類

4、為K-means聚類算法確定K值，通過計算網(wǎng)絡(luò)節(jié)點(diǎn)關(guān)聯(lián)度選取重要節(jié)點(diǎn)作為初始聚類中心，開展聚類診斷;有效克服了K-means聚類算法中K值和初始聚類中心選取困難的問題;并以滾動軸承故障診斷實(shí)例，驗(yàn)證了該方法的有效性。
　　(4)研究了基于復(fù)雜網(wǎng)絡(luò)社團(tuán)聚類的復(fù)合故障特征分離方法。應(yīng)用經(jīng)驗(yàn)?zāi)B(tài)分解將復(fù)合故障信號分解為若干個不同頻段的IMF分量，將每個IMF分量視為網(wǎng)絡(luò)中社團(tuán)，進(jìn)行同類社團(tuán)合并，最后得到對應(yīng)不同單一故障的各個社團(tuán)，實(shí)現(xiàn)復(fù)