文档介绍：旋转机械故障模式识别方法研究博士学位论文博士研究生:导申请学位:授予学位单位:徐大平教授华北电力大学学科:所在学院:答辩日期:吕蓬工学博士动力工程与工程热物理能源动力与机械工程学院年国内图书分类号:国际图书分类号:学校代码:密级:公开
::.狪:篢.,瓺..一
作⋯:琏翩张慨寻日期:切。.尸期:知/ⅰ声期:却歹③关于学位论文使用授权的说明明尸作所取得的成果。尽我所知,除文中已经注明引用的内容外,本学位论文的研究成其它复制手段复制并保存学位论文;③学校可允许学位论文被查阅或借阅;④学校婷艿难宦畚脑诮饷芎笞袷卮斯娑本人郑重声明:此处所提交的博士学位论文《旋转机械故障模式识别方法研究》,是本人在华北电力大学攻读博士学位期间,在导师指导下,独立进行研究工果不包含任何他人享有著作权的内容。对本论文所涉及的研究工作做出贡献的其他个人和集体,均已在文中以明确方式标明。本人完全了解华北电力大学有关保留、使用学位论文的规定,即:①学校有权保管⑾蛴泄夭棵潘徒谎宦畚牡脑敫从〖虎谘?梢圆捎糜坝⑺跤』可以学术交流为目的,复制赠送和交换学位论文;⑤同意学校可以用不同方式在不同媒体上发表、传播学位论文的全部或部分内容。日‘
摘要随着机械设备日趋大型化、高速化、自动化,使得设备组成和结构越来越复杂,各部分之间的联系更加紧密。对机械设备及其每一个零部件的工作可靠性都提出了极高的要求。提高故障诊断的自动化和智能化成为当今复杂机电系统故障诊断领域的研究热点。故障模式识别方法是影响故障诊断效果的关键之一,因此故障模式识别方法的研究具有理论价值和实际意义。本文研究在已提取故障特征数据基础上进行故障模式识别的方法。针对工程实际中故障样本少、故障类别多、故障特征复杂等问题,研究粗糙集、支持向量机、神经网络等在旋转机械故障模式识别中的应用。主要研究工作如下:在基于粗糙集的模式识别方法中,需要对获取的特征数据进行离散化。自组织特征映射神经网络是常用的离散化方法,但需要事先确定聚类的数目,由于实际工程对象的复杂性,聚类数目往往难以直观确定。本文提出了采用自组织特征映射神经网络优化聚类方法进行离散化,根据特征数据的统计特性自动确定聚类数目,可以实现聚类数目的自动确定和优化。针对经典粗糙集抗干扰能力差和泛化能力差的问题,在分析其导致诊断错误的原因的基础上,提出了采用变精度粗糙集的故障模式分类方法,其中变精度阈值参数的取值范围由提取的特征数据的错分率来确定,提高了故障诊断的抗干扰能力和泛化能力,并用实例进行验证。在小样本条件下的多故障模式识别中,常采用最小二乘支持向量机方法,但是其模型中的惩罚参数和核函数参数的选取依赖于使用者的经验,如果参数选取不当将极大地影响故障识别的精度。针对这一问题,提出采用基于参数优化的最小二乘支持向量机方法,该方法充分利用特征数据提供的信息,通过启发式方法自动调整参数,得到优化的分类模型,提高了故障分类精度,并进行实例验证。故障模式识别时,若用到的故障特征数目过多会产生冗余数据,使得分类器结构复杂,从而导致分类效果恶化。针对这一问题,提出了粗糙最乘支持向量机故障模式识别方法,首先利用粗糙集的约简能力,选择有效故障特征,再由具有参数优化功能的最小二乘支持向量机进行故障模式识别,实例分析表明该方法具有很强的抗干扰能力和泛化能力。关键词:旋转机械,故障模式识别,自组织特征映射神经网络,变精度粗糙集,最小二乘支持向量机华北电力大学博士学位论文摘要
琒..华北电力大学博士学位论文摘要甅甀琱琣琺瑃甐瓾甈.,琺,瑃甌,,,..’.瑆Ⅱ
瑂华北电力大学博士学位论文摘要...,甀簉現瑅,