基于機器學習的滾動軸承智能診斷方法研究.pdf

1、機械設備在現代化工業(yè)中占據著相當關鍵的地位，直接影響企業(yè)中工業(yè)生產的正常運行。當機械設備出現早期故障時，需要對它及時修理，以免造成更大傷害，這就要求在技術上能夠診斷出早期的輕微故障。
　　機械設備的診斷過程通常分為三步：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備的故障信息；第三步是狀態(tài)識別和故障診斷。其中特征提取是診斷過程中關鍵的環(huán)節(jié)，它直接影響診斷結果的準確性，關系到診斷系統能否發(fā)現設備潛在的故障。

2、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巨大的挑戰(zhàn)。狀態(tài)識別階段即使用模式識別、機器學習方法識別樣本，使用不同的識別方法某種程度上會影響識別精度。本論文以機器學習算法為基礎，以滾動軸承為對象，研究運用不同的機器學習方法對其特征提取與診斷識別。
　　復雜故障設備多個特征參數的參數之間存在冗余性或不相關性，不利于故障診斷，而經典的線性降維方法不能滿足非線性故障數據的降維要求。針對這個問題，本文將低秩鑒別投影

3、的特征提取方法與稀疏表示分類器結合起來構成故障診斷模型。為了尋求對應數據的最優(yōu)參數，實現參數自適應，引入網格搜索算法。經實例仿真表明，低秩鑒別投影算法能夠比較準確地描述數據的全局結構和判別結構，將模型應用到滾動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，針對傳統流形學習算法未能充分利用樣本的類別信息，并且不能對新加入的樣本進行快速處理的缺點，將監(jiān)督的正交局部保持投影算法應用于軸承故障特征提取。運用正交局部保持投影方

4、法通過高維訓練樣本數據求出正交轉換矩陣，測試樣本經正交轉換矩陣轉化后得到低維向量。利用不同故障樣本的類間散度和同種故障樣本的類內散度兩個指標來衡量該方法的有效性，經故障實例仿真表明正交局部保持投影算法的應用效果較傳統方法以及低秩鑒別投影算法更優(yōu)越。
　　通常利用時頻分析方法獲取機械設備工作時信號的時頻譜圖后，還要繼續(xù)提取特征，然而提取特征比較困難，并且可能會丟失振動信號的重要信息而影響后續(xù)的故障識別。為了解決這個難題，引入機器學習