本文關(guān)鍵詞：旋轉(zhuǎn)機(jī)械故障模式識(shí)別方法研究，由筆耕文化傳播整理發(fā)布。

網(wǎng)友qujim2013近日為您收集整理了關(guān)于旋轉(zhuǎn)機(jī)械故障模式識(shí)別方法研究的文檔，希望對(duì)您的工作和學(xué)習(xí)有所幫助。以下是文檔介紹：國(guó)內(nèi)圖書(shū)分類(lèi)號(hào):TK268.1國(guó)際圖書(shū)分類(lèi)號(hào):621.1博士學(xué)位論文學(xué)校代碼:10079密級(jí):公開(kāi)旋轉(zhuǎn)機(jī)械故障模式識(shí)別方法研究博士研究生:導(dǎo)申請(qǐng)學(xué)位:學(xué)科:所在學(xué)院:答辯日期:授予學(xué)位單位:呂蓬徐大平教授工學(xué)博士動(dòng)力工程與工程熱物理能源動(dòng)力與機(jī)械工程學(xué)院2010年6月華北電力大學(xué)ClassifiedIndex:TK268.1U.D.C:621.1DissertationfortheDoctoralDegreeinSchoolofEnergyandPowerEngineeringStudyonPatternRecognitionMethodforFaultofRotatingMachinesCandidate:Supervisor:AcademicDegreeAppliedfor:Speciality:School:DateofDefence:LvPengProf.XuDapingDoctorofEngineeringPowerEngineeringandEngineeringThermophysicsSchoolofEnergyPowerandMechanicalEngineeringJune,2010Degree-Conferring—Institution:NorthChinaElectricPowerUniversity聲明尸明本人鄭重聲明:此處所提交的博士學(xué)位論文《旋轉(zhuǎn)機(jī)械故障模式識(shí)別方法研究》,是本人在華北電力大學(xué)攻讀博士學(xué)位期間,在導(dǎo)師指導(dǎo)下,獨(dú)立進(jìn)行研究工作所取得的成果。盡我所知,除文中已經(jīng)注明引用的內(nèi)容外,本學(xué)位論文的研究成果不包含任何他人享有著作權(quán)的內(nèi)容。對(duì)本論文所涉及的研究工作做出貢獻(xiàn)的其他個(gè)人和集體,均已在文中以明確方式標(biāo)明。期:卻歹a、壚關(guān)于學(xué)位論文使用授權(quán)的說(shuō)明本人完全了解華北電力大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定,即:①學(xué)校有權(quán)保管i并向有關(guān)部門(mén)送交學(xué)位論文的原件與復(fù)印件;②學(xué)�？梢圆捎糜坝　⒖s印或其它復(fù)制手段復(fù)制并保存學(xué)位論文;③學(xué)�？稍试S學(xué)位論文被查閱或借閱;④學(xué)�？梢詫W(xué)術(shù)交流為目的,復(fù)制贈(zèng)送和交換學(xué)位論文;⑤同意學(xué)校可以用不同方式在不同媒體上發(fā)表、傳播學(xué)位論文的全部或部分內(nèi)容。(涉密的學(xué)位論文在解密后遵守此規(guī)定)作?:璉日期:切。.尸‘yyl-,翩張慨尋日期:知/o、≯華北電力大學(xué)博士學(xué)位論文摘要摘要隨著機(jī)械設(shè)備日趨大型化、高速化、自動(dòng)化,使得設(shè)備組成和結(jié)構(gòu)越來(lái)越復(fù)雜,各部分之間的聯(lián)系更加緊密。對(duì)機(jī)械設(shè)備及其每一個(gè)零部件的工作可靠性都提出了極高的要求。提高故障診斷的自動(dòng)化和智能化成為當(dāng)今復(fù)雜機(jī)電系統(tǒng)故障診斷領(lǐng)域的研究熱點(diǎn)。故障模式識(shí)別方法是影響故障診斷效果的關(guān)鍵之一,因此故障模式識(shí)別方法的研究具有理論價(jià)值和實(shí)際意義。本文研究在已提取故障特征數(shù)據(jù)基礎(chǔ)上進(jìn)行故障模式識(shí)別的方法。針對(duì)工程實(shí)際中故障樣本少、故障類(lèi)別多、故障特征復(fù)雜等問(wèn)題,研究粗糙集、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等在旋轉(zhuǎn)機(jī)械故障模式識(shí)別中的應(yīng)用。主要研究工作如下:1)在基于粗糙集的模式識(shí)別方法中,需要對(duì)獲取的特征數(shù)據(jù)進(jìn)行離散化。自組織特征映射神經(jīng)網(wǎng)絡(luò)是常用的離散化方法,但需要事先確定聚類(lèi)的數(shù)目,由于實(shí)際工程對(duì)象的復(fù)雜性,聚類(lèi)數(shù)目往往難以直觀確定。本文提出了采用自組織特征映射神經(jīng)網(wǎng)絡(luò)優(yōu)化聚類(lèi)方法進(jìn)行離散化,根據(jù)特征數(shù)據(jù)的統(tǒng)計(jì)特性自動(dòng)確定聚類(lèi)數(shù)目,可以實(shí)現(xiàn)聚類(lèi)數(shù)目的自動(dòng)確定和優(yōu)化。2)針對(duì)經(jīng)典粗糙集抗干擾能力差和泛化能力差的問(wèn)題,在分析其導(dǎo)致診斷錯(cuò)誤的原因的基礎(chǔ)上,提出了采用變精度粗糙集的故障模式分類(lèi)方法,其中變精度閾值參數(shù)的取值范圍由提取的特征數(shù)據(jù)的錯(cuò)分率來(lái)確定,提高了故障診斷的抗干擾能力和泛化能力,并用實(shí)例進(jìn)行驗(yàn)證。3)在小樣本條件下的多故障模式識(shí)別中,常采用最小二乘支持向量機(jī)方法,但是其模型中的懲罰參數(shù)和核函數(shù)參數(shù)的選取依賴(lài)于使用者的經(jīng)驗(yàn),如果參數(shù)選取不當(dāng)將極大地影響故障識(shí)別的精度。針對(duì)這一問(wèn)題,提出采用基于參數(shù)優(yōu)化的最小二乘支持向量機(jī)方法,該方法充分利用特征數(shù)據(jù)提供的信息,通過(guò)啟發(fā)式方法自動(dòng)調(diào)整參數(shù),得到優(yōu)化的分類(lèi)模型,提高了故障分類(lèi)精度,并進(jìn)行實(shí)例驗(yàn)證。4)故障模式識(shí)別時(shí),若用到的故障特征數(shù)目過(guò)多會(huì)產(chǎn)生冗余數(shù)據(jù),使得分類(lèi)器結(jié)構(gòu)復(fù)雜,從而導(dǎo)致分類(lèi)效果惡化。針對(duì)這一問(wèn)題,提出了粗糙最d"--乘支持向量機(jī)故障模式識(shí)別方法,首先利用粗糙集的約簡(jiǎn)能力,選擇有效故障特征,再由具有參數(shù)優(yōu)化功能的最小二乘支持向量機(jī)進(jìn)行故障模式識(shí)別,實(shí)例分析表明該方法具有很強(qiáng)的抗干擾能力和泛化能力。關(guān)鍵詞:旋轉(zhuǎn)機(jī)械,故障模式識(shí)別,自組織特征映射神經(jīng)網(wǎng)絡(luò),變精度粗糙集,最小二乘支持向量機(jī)華北電力大學(xué)博士學(xué)位論文摘要AbstractWiththeincreasinglylargescale,highspeed,automation,plex,thelinksbetweenthevariouspartsmoreclosely.ponent.ethehotresearchfield.Patternrecognitionisoneofthekeyelementaffectingresultsoffaultdiagnosis,SOtheresearchoffaultpatternrecognitionhastheoryvalueandpracticalsignificance.Faultpatternrecognitionbasedonthefeaturedataextractedisstudiedinthedissertation.Forsomeproblemsinpractice,suchassmallfaultsamples,plexfaultfeatures,weresearchtheapplicationofroughset,supportvectormachines,worksinrotatingmachineryfaultpatternrecognition.Mainresearchworkisasfollows:1)Inthepatternrecognitionmethodsbasedonroughset,thecontiniuesfeaturedataneedtobediscreted.monlyuseddiscretizationmethod,butitrequiresapriordeterminationofthenumberofclusters,plexityofpracticalengineeringobjects.Inthispaper,worktooptimizetheclusterrenumbersfordiscretingthefeaturedata,bymeansofwhichthenumberofclusterscanbedeterminedandoptimizedfromtheextractedfeaturedataautomatically.2)ingofaloweranti.eneralizationability,thatoftencausesawrongdiagnos

12>

  本文關(guān)鍵詞：旋轉(zhuǎn)機(jī)械故障模式識(shí)別方法研究，，由筆耕文化傳播整理發(fā)布。