【摘 要】
：
由于在采用支持矩阵机(SMM)进行分类建模时,缺乏必要的概率信息,导致其产生的稀疏性和鲁棒性不明确,为此,以贝叶斯理论框架为基础,提出了一种相关支持矩阵机(RSMM),并将其运用到滚动轴承的故障诊断中.首先,在RSMM中以矩阵为建模元素,建立了多分类目标函数,并利用输入矩阵行与列之间的结构化信息,建立了精确的预测模型;然后,利用贝叶斯学习框架,为模型参数施加了一个条件概率分布的约束,得到了稀疏的解空间(由于RSMM的核函数不受Mercer的条件限制,可以获得各类别之间的概率统计信息);将先验概率引入到模型
【机 构】
：
长沙民政职业技术学院 电子信息工程学院,湖南 长沙410004;华南理工大学 机械与汽车工程学院,广东 广州510640;广东理工学院 机电工程系,广东 肇庆526100
论文部分内容阅读
由于在采用支持矩阵机(SMM)进行分类建模时,缺乏必要的概率信息,导致其产生的稀疏性和鲁棒性不明确,为此,以贝叶斯理论框架为基础,提出了一种相关支持矩阵机(RSMM),并将其运用到滚动轴承的故障诊断中.首先,在RSMM中以矩阵为建模元素,建立了多分类目标函数,并利用输入矩阵行与列之间的结构化信息,建立了精确的预测模型;然后,利用贝叶斯学习框架,为模型参数施加了一个条件概率分布的约束,得到了稀疏的解空间(由于RSMM的核函数不受Mercer的条件限制,可以获得各类别之间的概率统计信息);将先验概率引入到模型权重设置中,使RSMM模型具有了稀疏性,进而对不确定样本进行了分类;最后,进行了滚动轴承故障分类实验,采用滚动轴承数据集对该方法的性能进行了检验.研究结果表明:利用贝叶斯学习框架和先验概率,采用RSMM可以对不确定样本进行准确分类,同时也可充分利用样本的结构化信息;相比于SMM及其改进算法,RSMM的整体识别率提高2％ ～8％,证明RSMM在滚动轴承故障诊断中具有优越的分类性能.
其他文献
高速电梯存在导轨多源激励关联性和多源激励耦合作用引起轿厢水平振动的问题,针对这一问题,提出了基于导轨多激励关联的轿厢水平振动预测方法.首先,建立了轿厢的水平振动模型,分析了导轨多源激励因素,借助Dematel方法获得了导轨多源激励关联重要度;然后,以导靴等效刚度、导靴等效阻尼、上方导靴到轿厢质心的垂直距离、下方导靴到轿厢质心的垂直距离作为输入,将水平振动加速度峰值和水平振动角加速度峰值作为输出,建立了轿厢水平振动支持向量机预测模型,并利用布谷鸟算法对支持向量机惩罚因子和RBF核参数进行了寻优搜索;最后,利
传统的往复泵存在着结构复杂和流量脉动大等问题,为此,以圆弧形状作为摆动泵的转子形状,提出了一种新型的摆动泵模型,并对摆动泵的内部流场进行了研究.首先,分析了摆动泵的工作原理,建立了摆动泵的几何模型;然后,使用ICEM软件对摆动泵的几何模型进行了网格划分,利用Fluent软件的动网格技术、RNG kε的湍流模型,对摆动泵的流体区域进行了数值模拟,在数值模拟过程中使用自定义UDF改变摆动泵的进出口边界条件;最后,通过计算得到了摆动泵内部不同时刻的压力分布云图、速度分布云图和流量脉动曲线.研究结果表明:摆动泵腔
为了研究离心泵启动过程中其内部流体的流动特性,采用ANSYS CFX软件,基于RNG kε湍流模型,对比转速为146的离心泵进行了准稳态和瞬态非定常数值模拟分析.通过CFX软件提供的二次开发接口,编写了用户自定义函数CEL,用以加载离心泵启动过程转速变化规律,模拟了离心泵启动整个转速变化过程;在离心泵整个启动过程中,分析了关于准稳态计算和瞬态非定常计算的外特性曲线存在的差异情况;对启动过程中离心泵内部压力分布,以及离心泵每时刻压力脉动的差异情况进行了观测,基于以上观测,研究了启动过程对于离心泵内部流体流动
由于盘式制动器的形位公差精度要求高,使得制动器形位公差的测量过程复杂,难以满足在线测量要求,为此,提出了一种基于激光位移传感器的盘式制动器总成形位公差在线测量系统.根据盘式制动器在线检测的要求,提出了一种可以对制动盘总成平行度和径向、周向厚度差等指标进行快速计算的方法;介绍了该测量机的机械系统、测控系统、软件系统等组成及特点,给出了其系统误差的标定方法;在该测量机上对某型制动盘总成形位公差进行了测试.研究结果表明:该测量机测量的主要检测项目值与三坐标测量机测量的差值均小于1μm,多次测量的标准差小于0.5
滚动轴承是旋转机械中常用的零部件,由于其工作环境恶劣,极易发生故障,为此,提出了一种基于并行1DCNN(one-dimen-sional convolutional neural network)的滚动轴承故障诊断方法.首先,对滚动轴承振动信号进行了处理,将其分为训练集和测试集;然后,构建了由两个通道组成的并行1DCNN模型,两通道可以分别获取振动信号的时域信息和频域信息,提取时域信息时使用相对较小的卷积核,而提取频域信息时使用相对较大的卷积核,并使用全局最大池化层替换了传统的全连接层;最后,用训练好的并
由于依靠单一的物理特征难以全面反映机械的故障信息,针对这一问题,对机器学习中常用的故障特征提取方法进行了研究,在此基础上提出了一种基于完备总体经验模态分解(CEEMD)、散布熵(DE)和Hjorth参数的混合特征滚动轴承故障诊断方法.首先,基于CEEMD对轴承原始信号进行分解,得到了若干个固有模态函数(IMF)分量;然后,根据与原信号的相关性选取敏感IMF分量,并求出其DE和Hjorth参数,形成散布熵特征向量和Hjorth参数矩阵,再对Hjorth参数矩阵进行奇异值分解,提取出奇异值作为特征向量,并将该
在工程现场采集到的轴承振动信号中常包含有大量的背景噪声,导致同步提取变换(SET)无法在时频谱图中清晰、准确地表达出滚动轴承的振动信号特征,为此,基于奇异值分解(SVD)在降噪方面的优势,提出了一种基于SVD和同步提取变换的滚动轴承故障诊断方法.首先,通过SET将滚动轴承的一维振动信号转换到二维时频平面内,得到其时频谱图;然后,采用SVD对时频谱图进行了分解,根据奇异值的大小重新构造了时频谱图,此时的频谱图能清晰、准确地表达出滚动轴承振动信号的时频特征;最后,通过逆变换回到时域,对时域信号进行了解调和包络
滚动轴承工作时的故障信息难以获取,且其故障信息的辨识也存在困难,针对这一问题,提出了一种基于随机森林(RF)的滚动轴承故障辨识方法.首先,采集了滚动轴承的原始振动信号,并基于时域统计指标提取出了其原始振动数据的特征向量;然后,建立了基于随机森林的轴承故障辨识模型,同时利用测试集验证了故障分类结果,给在测试集分类过程中识别率较高的决策树赋予了较大的权重,使得对应的决策树在未来的分类过程中可以发挥更大的作用;最后,用验证集验证了最终的分类结果,通过多域多通道的滚动轴承故障特征数据集验证了所提方法的有效性.研究
在时频分析过程中,采用传统的短时傅里叶变换与小波变换,均不能同时拥有良好的时间分辨率和频率分辨率,针对这一问题,提出了一种基于二阶同步挤压变换的齿轮箱故障识别方法.首先,在时频分析中,利用含有上、下边频带的模拟信号,对二阶同步挤压变换的信号提取效果进行了测试;通过加入不同程度的高斯白噪声,对二阶同步挤压变换的抗噪性能进行了测试;然后,以国内某现役地铁齿轮箱实体为研究对象,通过软件构造了其计算机虚拟样机,并借助有限元软件生成了以箱体为柔性体、传动系统为刚性体的齿轮箱刚柔耦合模型,并得到了含有断齿故障的齿轮箱
传统滚动轴承故障识别算法存在特征提取与特征选择困难的问题,为此,提出了一种基于完备集成辛几何分解(CESGD)和改进多通道卷积网络(IMCCN)的滚动轴承故障识别方法.首先,在采集到的滚动轴承振动信号中,添加符号相反且幅值相等的正负白噪声对,利用辛几何分解(SGD)将轴承多传感器振动信号分解为若干辛几何模态成分(SGMCs),并进行了集成平均;利用评价指标选择较能反映轴承故障特征的SGMCs分量并重构,进而完成了对轴承振动信号的有效降噪;然后,在卷积神经网络基础上提出了IMCCN结构,并将CESGD降噪后