貝葉斯網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用研究.pdf

1、滾動(dòng)軸承作為工業(yè)現(xiàn)場(chǎng)旋轉(zhuǎn)機(jī)械中廣泛使用的重要零部件之一，其自身的運(yùn)行狀態(tài)直接影響到旋轉(zhuǎn)機(jī)械設(shè)備的工作性能，甚至關(guān)系到整條生產(chǎn)線的運(yùn)作性能。因此，對(duì)滾動(dòng)軸承所處的狀態(tài)進(jìn)行檢測(cè)、識(shí)別顯得尤為重要。
　　工業(yè)現(xiàn)場(chǎng)滾動(dòng)軸承的實(shí)際狀態(tài)往往具備復(fù)雜性和不確定性，針對(duì)于此，本文進(jìn)行了貝葉斯網(wǎng)絡(luò)（Bayesian Network，BN）在滾動(dòng)軸承故障診斷中建模以及推理的應(yīng)用研究。在對(duì)滾動(dòng)軸承的故障機(jī)理進(jìn)行了分析、研究的基礎(chǔ)上，提出了一種故障特征向

2、量提取方法，并將其與BN推理模型相結(jié)合，實(shí)現(xiàn)了對(duì)滾動(dòng)軸承的故障診斷。由于實(shí)際獲得的故障數(shù)據(jù)數(shù)量常常是有限、甚至是稀缺的，而傳統(tǒng)的BN參數(shù)學(xué)習(xí)算法無法在該實(shí)際情況下學(xué)習(xí)出較為精確的BN推理模型參數(shù)，針對(duì)此問題，本文還研究了稀缺樣本數(shù)據(jù)集下BN參數(shù)的學(xué)習(xí)，提出了一種改進(jìn)型定性最大后驗(yàn)概率(Improved Qualitative Maximum Posteriori，IQMAP）參數(shù)學(xué)習(xí)算法；最終，將IQMAP算法應(yīng)用于BN建模，驗(yàn)證了該算

3、法在滾動(dòng)軸承故障診斷應(yīng)用中的有效性。研究的主要工作包括以下幾個(gè)方面：
　　（1）提出了一種滾動(dòng)軸承故障診斷模型的特征向量提取方法，該方法實(shí)現(xiàn)了對(duì)滾動(dòng)軸承診斷模型建模所需數(shù)據(jù)的預(yù)處理。原始振動(dòng)信號(hào)不適宜直接作為人工智能模型的輸入，因而需要對(duì)原始振動(dòng)信號(hào)進(jìn)行特征向量提取。因此，本文設(shè)計(jì)了特征向量提取函數(shù)。首先，將采集到的原始振動(dòng)信號(hào)進(jìn)行小波包分解，獲得特征分量；然后，利用本文所設(shè)計(jì)的特征提取函數(shù)從特征分量中提取出第一特征向量。為加快B

4、N推理速率，提高診斷推理的實(shí)時(shí)性，需要對(duì)輸入節(jié)點(diǎn)的特征向量進(jìn)行離散化，本文還設(shè)計(jì)了相應(yīng)的離散化函數(shù)來離散化第一特征向量，形成推理模型的特征向量，該特征向量能夠直接用于BN建模以及作為BN診斷、推理的輸入。
　?。?）提出了一種基于 BN的滾動(dòng)軸承故障診斷方法，此方法較準(zhǔn)確地實(shí)現(xiàn)了滾動(dòng)軸承故障診斷。在樣本數(shù)據(jù)完整、充足的情況下，利用本文所設(shè)計(jì)的特征向量提取方法提取出代表滾動(dòng)軸承狀態(tài)的特征向量，并將特征向量分為訓(xùn)練特征向量和待診斷特征

5、向量。首先，利用最大似然估計(jì)法根據(jù)訓(xùn)練特征向量訓(xùn)練出BN參數(shù)模型，并在此基礎(chǔ)上建立BN模型。其次，將待診斷特征向量輸入已建立好的BN模型中，利用成熟的聯(lián)結(jié)樹（Junction Tree，JT）推理算法實(shí)現(xiàn)滾動(dòng)軸承故障診斷、推理。在相同條件下，本文也采用BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行滾動(dòng)軸承故障診斷。通過對(duì)比得知：本文所設(shè)計(jì)的故障診斷方法的正判率較高，表明了本文滾動(dòng)軸承故障診斷方法的有效性。
　?。?）進(jìn)行了部分特征向量缺失時(shí)的滾動(dòng)軸承故障診

6、斷推理研究。在實(shí)際中，考慮到現(xiàn)場(chǎng)傳感器或通信過程丟失數(shù)據(jù)的情況時(shí)有發(fā)生，會(huì)致使?jié)L動(dòng)軸承的特征向量缺失。因此，本文利用BN能夠在證據(jù)不充分條件下進(jìn)行推理的優(yōu)點(diǎn)，進(jìn)行了在部分特征向量缺失時(shí)的滾動(dòng)軸承故障診斷推理實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明基于BN的滾動(dòng)軸承故障診斷方法具有良好的魯棒性。
　?。?）針對(duì)傳統(tǒng) BN參數(shù)學(xué)習(xí)算法在樣本數(shù)據(jù)集稀缺時(shí)學(xué)習(xí)結(jié)果不精確的問題，提出一種IQMAP參數(shù)學(xué)習(xí)算法。對(duì)現(xiàn)有BN參數(shù)學(xué)習(xí)算法進(jìn)行了研究，發(fā)現(xiàn)定性最大后驗(yàn)概

7、率能夠結(jié)合虛擬采樣次數(shù)與實(shí)際樣本數(shù)據(jù)進(jìn)行參數(shù)學(xué)習(xí)，但由于稀缺樣本數(shù)據(jù)集的波動(dòng)性，QMAP參數(shù)學(xué)習(xí)結(jié)果易出現(xiàn)違反專家經(jīng)驗(yàn)的情況。因此，本文提出一種將凸優(yōu)化與 QMAP相結(jié)合的改進(jìn)BN參數(shù)學(xué)習(xí)算法——IQMAP算法。首先，將樣本數(shù)據(jù)集的特征向量利用先驗(yàn)約束條件進(jìn)行凸優(yōu)化，形成包含于較為精確且滿足專家經(jīng)驗(yàn)可行域的第一參數(shù)；之后，將該第一參數(shù)融入 QMAP參數(shù)學(xué)習(xí)算法進(jìn)行參數(shù)學(xué)習(xí)。實(shí)驗(yàn)仿真表明該算法能夠在樣本數(shù)據(jù)集稀缺時(shí)學(xué)習(xí)出較為精確的BN參數(shù)