基于小波自組織特征映射的故障診斷知識(shí)獲取方法及應(yīng)用.pdf

1、隨著機(jī)械故障智能診斷系統(tǒng)的發(fā)展，知識(shí)獲取(KA)變得越來(lái)越重要。知識(shí)獲取是人工智能(AI)領(lǐng)域最關(guān)鍵的問(wèn)題之一，也是機(jī)械故障智能診斷系統(tǒng)丞待解決的關(guān)鍵問(wèn)題。目前各種智能故障診斷專家系統(tǒng)的共同缺陷就是系統(tǒng)擁有的知識(shí)量太少，獲取知識(shí)精度不高。本文針對(duì)以上問(wèn)題，以故障診斷知識(shí)獲取為中心，對(duì)自組織特征映射(SOFM)神經(jīng)網(wǎng)絡(luò)在知識(shí)獲取方面的應(yīng)用做了研究，本文主要研究工作如下： 1.研究了SOFM網(wǎng)絡(luò)的算法原理和步驟及其在故障診斷知識(shí)獲取

2、方面的應(yīng)用。由于所獲取的知識(shí)隱藏于網(wǎng)絡(luò)連接權(quán)值中，難以被理解，所以對(duì)網(wǎng)絡(luò)訓(xùn)練結(jié)果的可視化方法進(jìn)行研究，應(yīng)用 U-矩陣法和在此基礎(chǔ)上改進(jìn)的可視化方法對(duì)診斷結(jié)果進(jìn)行直觀的表達(dá)。 2.探討了小波分析理論，對(duì)小波包變換(WPT)用于信號(hào)的分解和重構(gòu)進(jìn)行了研究，在此基礎(chǔ)上探討了一種利用小波包變換提取信號(hào)能量特征的方法，它能夠有效地對(duì)非線性相關(guān)的高維數(shù)據(jù)進(jìn)行降維和特征提取。 3.針對(duì)時(shí)域特征和SOFM結(jié)合的知識(shí)獲取方法中存在的不足，

3、提出了一種基于小波．SOFM的知識(shí)獲取模型，能夠進(jìn)一步提高獲取知識(shí)的精確度。 4.以滾動(dòng)軸承故障診斷知識(shí)獲取為例，介紹了小波-SOFM 方法在故障診斷知識(shí)自動(dòng)獲取方面的應(yīng)用，并和時(shí)域特征為輸入向量的方法做了比照，驗(yàn)證了該方法的有效性。之后，以滾動(dòng)軸承為研究對(duì)象，以 MATLAB 為開發(fā)工具，結(jié)合 SOMToolbox 2.0 工具箱，開發(fā)了一個(gè)以小波-SOFM 自動(dòng)知識(shí)獲取模型為核心簡(jiǎn)單的滾動(dòng)軸承故障診斷系統(tǒng)。 最后，對(duì)