论文部分内容阅读
在化工、电力等行业中,旋转机械是一类非常重要的关键动力设备。对于旋转机械设备的故障诊断方法和理论的研究一直是国内外关注的重点。滚动轴承是旋转机械中十分重要的零部件,应用广泛且极易发生损坏,导致机械设备无法正常运行,甚至造成巨大的经济损失或人员伤亡。因此,对于滚动轴承进行及时有效的故障诊断具有重大的意义。针对滚动轴承早期微弱故障识别率偏低的问题,本研究欲在粒计算概念下应用邻域粗糙集理论进行的敏感故障特征提取与属性约简算法进行研究与探讨。主要研究内容与取得的研究结论如下:首先,对滚动轴承产生的原始振动信号进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)得到11个本征模态分量(Intrinsic Mode Function,IMF)和1个余量,通过均方差和欧氏距离两个评价指标,从分解得到的IMF分量中选取前3个分量作为反映故障信息的IMF分量,进而提取出IMF分量的9个时域特征,构建出一种原始故障特征数据集;然后,对原始故障特征数据集的属性值进行归一化处理,利用邻域粗糙集(Neighborhood Rough Set,NRS)算法对处理后的原始故障特征集属性进行属性约简,剔除冗余属性信息。NRS算法可以直接在处理连续型数据,无需对数据进行离散化处理,很好的避免了因为数据离散化而造成的故障信息的缺失,影响故障诊断的精度;最后,将约简后得到的最简故障特征数据集投入分类器作为输入数据,通过分类器完成最后的故障识别过程,通过添加对比试验,对属性约简混合算法的准确率进行分析,验证所提出的属性约简算法的有效性。本研究的创新性在于将NRS算法应用于原始故障特征数据集进行数据约简,改善当今NRS研究领域应用实验研究稀少的现状,为提高故障辨识准确准确度提供了全新的思路。EEMD分解能够实现不同类型故障特征的关键属性提取,NRS能够从大量的原始特征中准确的选出含有丰富故障信息的敏感特征,剔除冗余和无用信息,降低了分类器算法的复杂度,提高了滚动轴承故障状态的识别精度,使智能故障决策技术有更好的发展。