本文選題：軸承　切入點(diǎn)：故障診斷　出處：《江西理工大學(xué)》2015年碩士論文

【摘要】：機(jī)械設(shè)備在現(xiàn)代化工業(yè)中占據(jù)著相當(dāng)關(guān)鍵的地位,直接影響企業(yè)中工業(yè)生產(chǎn)的正常運(yùn)行。當(dāng)機(jī)械設(shè)備出現(xiàn)早期故障時(shí),需要對(duì)它及時(shí)修理,以免造成更大傷害,這就要求在技術(shù)上能夠診斷出早期的輕微故障。機(jī)械設(shè)備的診斷過(guò)程通常分為三步:第一步是診斷信息獲取;第二步是特征提取,即從第一步獲取的信息中挖掘出設(shè)備的故障信息;第三步是狀態(tài)識(shí)別和故障診斷。其中特征提取是診斷過(guò)程中關(guān)鍵的環(huán)節(jié),它直接影響診斷結(jié)果的準(zhǔn)確性,關(guān)系到診斷系統(tǒng)能否發(fā)現(xiàn)設(shè)備潛在的故障。因此,如何提取最優(yōu)的低維故障特征從而提高故障分類性能是目前面臨的一個(gè)巨大的挑戰(zhàn)。狀態(tài)識(shí)別階段即使用模式識(shí)別、機(jī)器學(xué)習(xí)方法識(shí)別樣本,使用不同的識(shí)別方法某種程度上會(huì)影響識(shí)別精度。本論文以機(jī)器學(xué)習(xí)算法為基礎(chǔ),以滾動(dòng)軸承為對(duì)象,研究運(yùn)用不同的機(jī)器學(xué)習(xí)方法對(duì)其特征提取與診斷識(shí)別。復(fù)雜故障設(shè)備多個(gè)特征參數(shù)的參數(shù)之間存在冗余性或不相關(guān)性,不利于故障診斷,而經(jīng)典的線性降維方法不能滿足非線性故障數(shù)據(jù)的降維要求。針對(duì)這個(gè)問(wèn)題,本文將低秩鑒別投影的特征提取方法與稀疏表示分類器結(jié)合起來(lái)構(gòu)成故障診斷模型。為了尋求對(duì)應(yīng)數(shù)據(jù)的最優(yōu)參數(shù),實(shí)現(xiàn)參數(shù)自適應(yīng),引入網(wǎng)格搜索算法。經(jīng)實(shí)例仿真表明,低秩鑒別投影算法能夠比較準(zhǔn)確地描述數(shù)據(jù)的全局結(jié)構(gòu)和判別結(jié)構(gòu),將模型應(yīng)用到滾動(dòng)軸承故障特征提取中是可取的。軸承早期故障特征難以提取,針對(duì)傳統(tǒng)流形學(xué)習(xí)算法未能充分利用樣本的類別信息,并且不能對(duì)新加入的樣本進(jìn)行快速處理的缺點(diǎn),將監(jiān)督的正交局部保持投影算法應(yīng)用于軸承故障特征提取。運(yùn)用正交局部保持投影方法通過(guò)高維訓(xùn)練樣本數(shù)據(jù)求出正交轉(zhuǎn)換矩陣,測(cè)試樣本經(jīng)正交轉(zhuǎn)換矩陣轉(zhuǎn)化后得到低維向量。利用不同故障樣本的類間散度和同種故障樣本的類內(nèi)散度兩個(gè)指標(biāo)來(lái)衡量該方法的有效性,經(jīng)故障實(shí)例仿真表明正交局部保持投影算法的應(yīng)用效果較傳統(tǒng)方法以及低秩鑒別投影算法更優(yōu)越。通常利用時(shí)頻分析方法獲取機(jī)械設(shè)備工作時(shí)信號(hào)的時(shí)頻譜圖后,還要繼續(xù)提取特征,然而提取特征比較困難,并且可能會(huì)丟失振動(dòng)信號(hào)的重要信息而影響后續(xù)的故障識(shí)別。為了解決這個(gè)難題,引入機(jī)器學(xué)習(xí)領(lǐng)域中針對(duì)張量樣本識(shí)別問(wèn)題的支持張量機(jī)方法,直接對(duì)不同狀態(tài)的三維時(shí)頻譜進(jìn)行識(shí)別。該方法的引入不僅可以簡(jiǎn)化診斷過(guò)程,而且能較大程度地提高診斷精度。
[Abstract]:Machinery and equipment occupy a very important position in modern industry and directly affect the normal operation of industrial production in enterprises. When there is an early failure of machinery and equipment, it is necessary to repair it in time so as not to cause more harm. This requires the technical ability to diagnose early minor faults. The diagnostic process of mechanical equipment is usually divided into three steps: the first step is the acquisition of diagnostic information; the second step is feature extraction. The third step is state recognition and fault diagnosis, in which feature extraction is the key link in the diagnosis process, which directly affects the accuracy of the diagnosis results. Therefore, how to extract the optimal low-dimensional fault features to improve the performance of fault classification is a huge challenge. In the stage of state recognition, pattern recognition is used. In this paper, the machine learning algorithm is based on the machine learning algorithm, and the rolling bearing is the object. In this paper, different machine learning methods are used to extract and identify the features of complex fault equipment. There is redundancy or no correlation among the parameters of multiple characteristic parameters of complex fault equipment, which is not conducive to fault diagnosis. The classical linear dimensionality reduction method can not meet the dimensionality reduction requirements of nonlinear fault data. In this paper, the feature extraction method of low rank discriminant projection is combined with sparse representation classifier to form a fault diagnosis model. In order to find the optimal parameters of corresponding data and realize parameter adaptation, a mesh search algorithm is introduced. The low rank discriminant projection algorithm can accurately describe the global structure and discriminant structure of the data. It is advisable to apply the model to the fault feature extraction of rolling bearing. The traditional manifold learning algorithm can not make full use of the class information of the samples and can not process the newly added samples quickly. The supervised orthogonal local preserving projection algorithm is applied to the bearing fault feature extraction, and the orthogonal transformation matrix is obtained by using the orthogonal local preserving projection method through the high-dimensional training sample data. The test samples are transformed by orthogonal transformation matrix to obtain low-dimensional vectors. The validity of the method is evaluated by two indexes: the inter-class divergence of different fault samples and the intra-class divergence of the same fault samples. The simulation results show that the orthogonal local preserving projection algorithm is more effective than the traditional method and the low rank discriminant projection algorithm. Usually, the time-frequency analysis method is used to obtain the time-frequency spectrum of the signal when the mechanical equipment is working. Continue to extract features, however, feature extraction is more difficult, and may lose important information of vibration signals and affect subsequent fault identification. To solve this problem, In the field of machine learning, a new machine method supporting Zhang Liang's sample recognition problem is introduced to recognize the 3D time spectrum of different states directly. This method can not only simplify the diagnosis process, but also improve the performance of machine learning. Moreover, the diagnostic accuracy can be improved to a large extent.
【學(xué)位授予單位】：江西理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TH133.33;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張洋;;張敏靈:勇拓機(jī)器學(xué)習(xí)研究新航程[J];中國(guó)發(fā)明與專利;2012年12期

2 羅霖;;大規(guī)模機(jī)器學(xué)習(xí)問(wèn)題研究[J];艦船電子工程;2013年02期

3 蔡慶生;一種機(jī)器學(xué)習(xí)發(fā)現(xiàn)系統(tǒng)[J];北京理工大學(xué)學(xué)報(bào);1990年S2期

4 陳新中,王道平,王建斌;故障診斷專家系統(tǒng)中機(jī)器學(xué)習(xí)方法的研究[J];西安建筑科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2000年01期

5 柏宏權(quán);韓慶年;;機(jī)器學(xué)習(xí)在適應(yīng)性教學(xué)系統(tǒng)中的應(yīng)用研究[J];南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版);2007年04期

6 羅兵;甘俊英;章云;;自動(dòng)質(zhì)量檢測(cè)中的分層機(jī)器學(xué)習(xí)方法[J];儀器儀表學(xué)報(bào);2007年12期

7 張龍璨;柳斌;李芝棠;;機(jī)器學(xué)習(xí)分類下網(wǎng)絡(luò)流量的特征選取[J];廣西大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年S1期

8 趙正晚;孫潔;祝熠英;;一種面向機(jī)器學(xué)習(xí)的情境識(shí)別機(jī)制[J];寧波工程學(xué)院學(xué)報(bào);2011年04期

9 孫承意,謝克明,程明琦;基于思維進(jìn)化機(jī)器學(xué)習(xí)的框架及新進(jìn)展[J];太原理工大學(xué)學(xué)報(bào);1999年05期

10 于振洋;;回歸模型中基于機(jī)器學(xué)習(xí)的流量預(yù)測(cè)算法[J];淮海工學(xué)院學(xué)報(bào)(自然科學(xué)版);2012年01期

相關(guān)會(huì)議論文 前10條

1 王玨;;歸納機(jī)器學(xué)習(xí)[A];2001年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2001年

2 王昊;李銀波;紀(jì)志梁;;利用機(jī)器學(xué)習(xí)方法預(yù)測(cè)嚴(yán)重藥物不良反應(yīng)-呼吸困難[A];中國(guó)化學(xué)會(huì)第28屆學(xué)術(shù)年會(huì)第13分會(huì)場(chǎng)摘要集[C];2012年

3 吳滄浦;;智能系統(tǒng)與機(jī)器學(xué)習(xí)的新領(lǐng)域[A];西部大開(kāi)發(fā) 科教先行與可持續(xù)發(fā)展——中國(guó)科協(xié)2000年學(xué)術(shù)年會(huì)文集[C];2000年

4 周晴杰;徐立鴻;吳啟迪;;機(jī)器學(xué)習(xí)串級(jí)結(jié)構(gòu)的初步探討[A];1998年中國(guó)控制會(huì)議論文集[C];1998年

5 李剛;郭崇慧;林鴻飛;楊志豪;唐煥文;;基于詞典法和機(jī)器學(xué)習(xí)法相結(jié)合的蛋白質(zhì)名識(shí)別[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

6 徐禮勝;李乃民;王寬全;張冬雨;耿斌;姜曉睿;陳超海;羅貴存;;機(jī)器學(xué)習(xí)在中醫(yī)計(jì)算機(jī)診斷識(shí)別系統(tǒng)中的應(yīng)用思考[A];第一屆全國(guó)中西醫(yī)結(jié)合診斷學(xué)術(shù)會(huì)議論文選集[C];2006年

7 蔡健平;林世平;;基于機(jī)器學(xué)習(xí)的詞語(yǔ)和句子極性分析[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

8 黃金鐵;李景銀;周建常;;對(duì)高爐爐況評(píng)價(jià)模型參數(shù)的機(jī)器學(xué)習(xí)——一個(gè)三類線性模式分類器的實(shí)現(xiàn)[A];1995中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1995年

9 程國(guó)建;蔡磊;潘華賢;;核向量機(jī)在大規(guī)模機(jī)器學(xué)習(xí)中的應(yīng)用[A];第十一屆中國(guó)青年信息與管理學(xué)者大會(huì)論文集[C];2009年

10 張鈸;張鈴;;統(tǒng)計(jì)學(xué)習(xí)理論及其應(yīng)用[A];2001年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2001年

相關(guān)重要報(bào)紙文章 前10條

1 黎驪/文 [美] Tom M.Mitchell 著;機(jī)器學(xué)習(xí)與智能化社會(huì)[N];中國(guó)郵政報(bào);2003年

2 IBM大數(shù)據(jù)專家 James Kobielus　范范 編譯;機(jī)器學(xué)習(xí)已成為大數(shù)據(jù)基石[N];網(wǎng)絡(luò)世界;2014年

3 本報(bào)記者 房琳琳;合久必分：分布式“機(jī)器學(xué)習(xí)”應(yīng)運(yùn)而生[N];科技日?qǐng)?bào);2014年

4 雨辰;機(jī)器學(xué)習(xí)類圖書(shū)為什么火爆[N];中華讀書(shū)報(bào);2014年

5 百度公司技術(shù)副總監(jiān) 多媒體部負(fù)責(zé)人 余凱;深度學(xué)習(xí)與多媒體搜索技術(shù)演進(jìn)[N];中國(guó)信息化周報(bào);2013年

6 本報(bào)記者 余建斌;機(jī)器學(xué)習(xí)與互聯(lián)網(wǎng)搜索[N];人民日?qǐng)?bào);2011年

7 本報(bào)記者 張曄邋通訊員 李瑋;周志華：永不墨守成規(guī)[N];科技日?qǐng)?bào);2008年

8 記者　 彭德倩;機(jī)器學(xué)習(xí)精度提升近6個(gè)百分點(diǎn)[N];解放日?qǐng)?bào);2006年

9 本報(bào)記者 閔杰;大數(shù)據(jù)熱 高端人才缺[N];中國(guó)電子報(bào);2013年

10 沈建苗 編譯;如何成為大數(shù)據(jù)科學(xué)家[N];計(jì)算機(jī)世界;2013年

相關(guān)博士學(xué)位論文 前10條

1 董春茹;機(jī)器學(xué)習(xí)中的權(quán)重學(xué)習(xí)與差分演化[D];華南理工大學(xué);2015年

2 姚明臣;機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中的若干問(wèn)題研究[D];大連理工大學(xué);2016年

3 趙玉鵬;機(jī)器學(xué)習(xí)的哲學(xué)探索[D];大連理工大學(xué);2010年

4 胡巍;面向格結(jié)構(gòu)的機(jī)器學(xué)習(xí)[D];上海交通大學(xué);2009年

5 張義榮;基于機(jī)器學(xué)習(xí)的入侵檢測(cè)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2005年

6 錢(qián)線;快速精確的結(jié)構(gòu)化機(jī)器學(xué)習(xí)方法研究[D];復(fù)旦大學(xué);2010年

7 梁錫軍;稀疏優(yōu)化在機(jī)器學(xué)習(xí)中的若干應(yīng)用[D];大連理工大學(xué);2013年

8 蔣剛;核機(jī)器學(xué)習(xí)方法若干問(wèn)題研究[D];西南交通大學(xué);2006年

9 陳慧靈;面向智能決策問(wèn)題的機(jī)器學(xué)習(xí)方法研究[D];吉林大學(xué);2012年

10 周偉達(dá);核機(jī)器學(xué)習(xí)方法研究[D];西安電子科技大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 張柯;基于機(jī)器學(xué)習(xí)的錯(cuò)誤定位方法研究[D];南京航空航天大學(xué);2015年

2 于雯;機(jī)器學(xué)習(xí)在信用評(píng)級(jí)中的應(yīng)用[D];中國(guó)海洋大學(xué);2015年

3 裴松年;基于機(jī)器學(xué)習(xí)的分類算法研究[D];中北大學(xué);2016年

4 李紅;基于機(jī)器學(xué)習(xí)的中醫(yī)藥配方評(píng)估研究[D];南京大學(xué);2016年

5 周文U，

本文編號(hào)：1672050