基于粗糙集理論的旋轉(zhuǎn)機械故障診斷技術(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，從新的角度認識知識，特別值得注意的是它與其它軟計算方法有很強的集成能力。此種背景下，基于粗分析的智能決策就成為決策學(xué)科的一個前沿問題。 選擇合理有效的簡明屬性集

2、，是粗集研究的重要內(nèi)容。最優(yōu)屬性選擇也是NP-hard問題。 機械故障診斷是根據(jù)設(shè)備運行狀態(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，是通過系統(tǒng)的特征和狀態(tài)來傳遞的。故障診斷技術(shù)中，最關(guān)鍵也是最困難的問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常常比較微弱，而相應(yīng)的非故障特征信號分量卻比較強，往往會淹沒那些

3、反映早期故障征兆的信號，這些信號有的直接反映系統(tǒng)的故障，有的需要進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。 本文建立了滾動軸承故障診斷實驗裝置，模擬了典型的滾動軸承故障，對所建立的故障診斷方法進行了驗證和校核，通過對比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頻分布，通過實驗研究表明該時頻分布在能量聚

4、集方面優(yōu)于傳統(tǒng)的WVD，更容易診斷軸承故障和監(jiān)測軸承局部故障的發(fā)展趨勢。 本文采用了正、反進動理論特征值作為條件屬性，運用粗集—熵最大理論獲取最優(yōu)特征集，然后運用BP、RBF對轉(zhuǎn)子碰摩、不平橫故障進行了診斷。 本文針對軸承故障的特點，建立了滾動軸承動力學(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，時域特征量采用經(jīng)本征模態(tài)法獲得的組合信號的絕對平均值、有效值和峭度值，將頻率特征量和時域