面向故障診斷的異構(gòu)特征融合與在線不均衡分類研究.pdf

1、作為機械設(shè)備中最常見的零件之一，滾動軸承的工作狀態(tài)直接決定了整臺設(shè)備能否正常工作，甚至關(guān)系到整條生產(chǎn)線能否正常運行。滾動軸承診斷技術(shù)，可以及時的發(fā)現(xiàn)故障，避免造成重大事故，因此，進行軸承診斷的研究具有至關(guān)重要的現(xiàn)實意義。傳統(tǒng)的信號處理方法常常忽略軸承信號中的重要信息，因此，利用傳統(tǒng)故障診斷技術(shù)進行分析存在一定缺陷，出現(xiàn)誤診和漏診現(xiàn)象比較頻繁。而且隨著科學技術(shù)的發(fā)展，對故障診斷的要求也越來越高，機器學習越來越多的被應用于故障診斷。

2、　　本文以滾動軸承為研究對象，針對軸承數(shù)據(jù)自身所具有的特點以及目前技術(shù)存在的缺陷，以機器學習算法為基礎(chǔ)理論，展開研究，主要工作內(nèi)容如下:
　　(1)針對使用單一特征對軸承故障進行診斷時，所含信息具有不確定性，選擇的特征無法使用最終選擇的算法這一問題，提出了基于異構(gòu)特征融合的軸承故障檢測方法。不同方法提取的異構(gòu)特征具有相互補充的作用，基于異構(gòu)特征融合的方法首先將多種方法提取的異構(gòu)特征并成一個聯(lián)合特征集，然后把所有的特征基于組特征相關(guān)

3、性用多目標粒子群方法將這些特征實現(xiàn)最優(yōu)分組，保證組內(nèi)特征間距最小并且組間特征間距最大，最后利用wrapper算法在組的層次上對每組特征進行特征選擇，將選擇得到的特征作為異構(gòu)融合的最終特征。該方法以支持向量機為基礎(chǔ)算法，對異構(gòu)特征進行充分合理的融合，并在組的層次上摒棄了特征之間存在的冗余相關(guān)性。最后在美國西儲大學公布的軸承故障數(shù)據(jù)和全壽命軸承故障數(shù)據(jù)上進行仿真實驗，證明了該方法的有效性。
　　(2)針對軸承故障數(shù)據(jù)的在線和類別不均衡

4、的兩個特點，提出一種基于主曲線和粒劃分的在線不均衡故障診斷方法。算法包括離線和在線兩個階段，在離線階段，首先構(gòu)建主曲線，將數(shù)據(jù)分布分為置信區(qū)域和非置信區(qū)域，然后通過粒劃分，分別對兩個區(qū)域內(nèi)的樣本進行不同程度的擴充少類和削減多類，在線階段采用同樣的方法處理在線貫序達到的數(shù)據(jù)塊，得到重構(gòu)后的均衡數(shù)據(jù)集。該算法在不改變整體數(shù)據(jù)的分布特征的前提下，有效的減少欠采樣過程中多類樣本信息的丟失。最終選擇用相空間重構(gòu)的方法提取故障特征，在來自美國西儲大