貝葉斯網(wǎng)絡在滾動軸承故障診斷中的應用研究.pdf

1、滾動軸承作為工業(yè)現(xiàn)場旋轉機械中廣泛使用的重要零部件之一，其自身的運行狀態(tài)直接影響到旋轉機械設備的工作性能，甚至關系到整條生產(chǎn)線的運作性能。因此，對滾動軸承所處的狀態(tài)進行檢測、識別顯得尤為重要。
　　工業(yè)現(xiàn)場滾動軸承的實際狀態(tài)往往具備復雜性和不確定性，針對于此，本文進行了貝葉斯網(wǎng)絡（Bayesian Network，BN）在滾動軸承故障診斷中建模以及推理的應用研究。在對滾動軸承的故障機理進行了分析、研究的基礎上，提出了一種故障特征向

2、量提取方法，并將其與BN推理模型相結合，實現(xiàn)了對滾動軸承的故障診斷。由于實際獲得的故障數(shù)據(jù)數(shù)量常常是有限、甚至是稀缺的，而傳統(tǒng)的BN參數(shù)學習算法無法在該實際情況下學習出較為精確的BN推理模型參數(shù)，針對此問題，本文還研究了稀缺樣本數(shù)據(jù)集下BN參數(shù)的學習，提出了一種改進型定性最大后驗概率(Improved Qualitative Maximum Posteriori，IQMAP）參數(shù)學習算法；最終，將IQMAP算法應用于BN建模，驗證了該算

3、法在滾動軸承故障診斷應用中的有效性。研究的主要工作包括以下幾個方面：
　?。?）提出了一種滾動軸承故障診斷模型的特征向量提取方法，該方法實現(xiàn)了對滾動軸承診斷模型建模所需數(shù)據(jù)的預處理。原始振動信號不適宜直接作為人工智能模型的輸入，因而需要對原始振動信號進行特征向量提取。因此，本文設計了特征向量提取函數(shù)。首先，將采集到的原始振動信號進行小波包分解，獲得特征分量；然后，利用本文所設計的特征提取函數(shù)從特征分量中提取出第一特征向量。為加快B

4、N推理速率，提高診斷推理的實時性，需要對輸入節(jié)點的特征向量進行離散化，本文還設計了相應的離散化函數(shù)來離散化第一特征向量，形成推理模型的特征向量，該特征向量能夠直接用于BN建模以及作為BN診斷、推理的輸入。
　　（2）提出了一種基于 BN的滾動軸承故障診斷方法，此方法較準確地實現(xiàn)了滾動軸承故障診斷。在樣本數(shù)據(jù)完整、充足的情況下，利用本文所設計的特征向量提取方法提取出代表滾動軸承狀態(tài)的特征向量，并將特征向量分為訓練特征向量和待診斷特征

5、向量。首先，利用最大似然估計法根據(jù)訓練特征向量訓練出BN參數(shù)模型，并在此基礎上建立BN模型。其次，將待診斷特征向量輸入已建立好的BN模型中，利用成熟的聯(lián)結樹（Junction Tree，JT）推理算法實現(xiàn)滾動軸承故障診斷、推理。在相同條件下，本文也采用BP神經(jīng)網(wǎng)絡方法進行滾動軸承故障診斷。通過對比得知：本文所設計的故障診斷方法的正判率較高，表明了本文滾動軸承故障診斷方法的有效性。
　?。?）進行了部分特征向量缺失時的滾動軸承故障診

6、斷推理研究。在實際中，考慮到現(xiàn)場傳感器或通信過程丟失數(shù)據(jù)的情況時有發(fā)生，會致使?jié)L動軸承的特征向量缺失。因此，本文利用BN能夠在證據(jù)不充分條件下進行推理的優(yōu)點，進行了在部分特征向量缺失時的滾動軸承故障診斷推理實驗，實驗結果表明基于BN的滾動軸承故障診斷方法具有良好的魯棒性。
　　（4）針對傳統(tǒng) BN參數(shù)學習算法在樣本數(shù)據(jù)集稀缺時學習結果不精確的問題，提出一種IQMAP參數(shù)學習算法。對現(xiàn)有BN參數(shù)學習算法進行了研究，發(fā)現(xiàn)定性最大后驗概

7、率能夠結合虛擬采樣次數(shù)與實際樣本數(shù)據(jù)進行參數(shù)學習，但由于稀缺樣本數(shù)據(jù)集的波動性，QMAP參數(shù)學習結果易出現(xiàn)違反專家經(jīng)驗的情況。因此，本文提出一種將凸優(yōu)化與 QMAP相結合的改進BN參數(shù)學習算法——IQMAP算法。首先，將樣本數(shù)據(jù)集的特征向量利用先驗約束條件進行凸優(yōu)化，形成包含于較為精確且滿足專家經(jīng)驗可行域的第一參數(shù)；之后，將該第一參數(shù)融入 QMAP參數(shù)學習算法進行參數(shù)學習。實驗仿真表明該算法能夠在樣本數(shù)據(jù)集稀缺時學習出較為精確的BN參數(shù)