基于粗糙集理論的旋轉(zhuǎn)機(jī)械故障診斷技術(shù).pdf

1、作為人工智能領(lǐng)域中的一種新方法—粗糙集理論，是繼概率論、模糊集理論、證據(jù)理論之后的又一種新的處理不確定性信息的數(shù)學(xué)方法。它不僅為信息科學(xué)和認(rèn)知科學(xué)提供了新的科學(xué)邏輯和研究方法，而且為智能信息處理提供了有效的處理技術(shù)。 粗集作為一種處理不確定、不精確數(shù)據(jù)的數(shù)學(xué)工具，從新的角度認(rèn)識(shí)知識(shí)，特別值得注意的是它與其它軟計(jì)算方法有很強(qiáng)的集成能力。此種背景下，基于粗分析的智能決策就成為決策學(xué)科的一個(gè)前沿問(wèn)題。 選擇合理有效的簡(jiǎn)明屬性集

2、，是粗集研究的重要內(nèi)容。最優(yōu)屬性選擇也是NP-hard問(wèn)題。 機(jī)械故障診斷是根據(jù)設(shè)備運(yùn)行狀態(tài)信息查找故障源，并確定相應(yīng)決策的一門綜合性科學(xué)。故障源發(fā)出的信息，是通過(guò)系統(tǒng)的特征和狀態(tài)來(lái)傳遞的。故障診斷技術(shù)中，最關(guān)鍵也是最困難的問(wèn)題之一是故障特征提取。它制約著故障診斷的準(zhǔn)確率和故障早期預(yù)報(bào)的準(zhǔn)確性及可靠性，是當(dāng)前故障診斷研究中的瓶頸。 有些反映早期故障特征的信號(hào)常常比較微弱，而相應(yīng)的非故障特征信號(hào)分量卻比較強(qiáng)，往往會(huì)淹沒(méi)那些

3、反映早期故障征兆的信號(hào)，這些信號(hào)有的直接反映系統(tǒng)的故障，有的需要進(jìn)行加工處理后得到新量(如模型參數(shù))才能反映系統(tǒng)故障。為了更有效、更容易地獲得故障特征信息，本文建立了小波—自信息包絡(luò)解調(diào)法。 本文建立了滾動(dòng)軸承故障診斷實(shí)驗(yàn)裝置，模擬了典型的滾動(dòng)軸承故障，對(duì)所建立的故障診斷方法進(jìn)行了驗(yàn)證和校核，通過(guò)對(duì)比Hilbert法表明，該方法能更有效的提取軸承故障特征。 本文還研究了一種新的時(shí)頻分布，通過(guò)實(shí)驗(yàn)研究表明該時(shí)頻分布在能量聚

4、集方面優(yōu)于傳統(tǒng)的WVD，更容易診斷軸承故障和監(jiān)測(cè)軸承局部故障的發(fā)展趨勢(shì)。 本文采用了正、反進(jìn)動(dòng)理論特征值作為條件屬性，運(yùn)用粗集—熵最大理論獲取最優(yōu)特征集，然后運(yùn)用BP、RBF對(duì)轉(zhuǎn)子碰摩、不平橫故障進(jìn)行了診斷。 本文針對(duì)軸承故障的特點(diǎn)，建立了滾動(dòng)軸承動(dòng)力學(xué)模型。頻率特征量采用經(jīng)小波—自信息包絡(luò)解調(diào)法獲取的譜熵、特征頻率最大譜值、譜能量，時(shí)域特征量采用經(jīng)本征模態(tài)法獲得的組合信號(hào)的絕對(duì)平均值、有效值和峭度值，將頻率特征量和時(shí)域