基于小波自组织特征映射的故障特征诊断知识自动获取方法及应用

论文摘要

随着机械故障智能诊断系统的发展,知识获取（KA）变得越来越重要。知识获取是人工智能（AI）领域最关键的问题之一,也是机械故障智能诊断系统丞待解决的关键问题。目前各种智能故障诊断专家系统的共同缺陷就是系统拥有的知识量太少,获取知识精度不高。本文针对以上问题,以故障特征诊断知识获取为中心,对自组织特征映射（SOFM）神经网络在故障特征知识获取方面的应用做了研究,本文主要研究工作如下:1研究了SOFM网络的算法原理和步骤及其在故障诊断知识自动获取方面的应用。由于所获取的知识隐藏于网络连接权值中,难以被理解,所以对网络训练结果的可视化方法进行研究,应用U-矩阵法和在此基础上改进的可视化方法对诊断结果进行直观的表达。2探讨了小波分析理论,对小波包变换（WPT）用于信号的分解和重构进行了研究,在此基础上探讨了一种利用小波包变换提取信号能量特征的方法,它能够有效地对非线性相关的高维数据进行降维和特征提取。3针对时域特征和SOFM结合的知识获取方法中存在的不足,提出了一种基于小波-SOFM的知识获取模型,能够进一步提高获取知识的精确度。4以滚动轴承故障诊断知识获取为例,介绍了小波-SOFM方法在故障诊断知识自动获取方面的应用,并和时域特征为输入向量的方法做了比照,验证了该方法的有效性。之后,以滚动轴承为研究对象,以MATLAB为开发工具,结合SOM Toolbox 2.0工具箱,开发了一个以小波-SOFM自动知识获取模型为核心简单的滚动轴承故障诊断系统。最后,对全文作了总结回顾,归纳了本文解决的问题,指出了SOFM的在机械故障诊断知识获取方面今后值得关注和深入研究的方向。

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 课题的来源、目的及意义
• 1.1.1 课题来源
• 1.1.2 目的及意义
• 1.2 机械设备故障诊断技术的发展
• 1.2.1 机械设备故障诊断技术的发展概况
• 1.2.2 机械设备故障诊断信号特征提取技术
• 1.3 人工神经网络及在故障诊断知识获取方面的应用
• 1.3.1 人工神经网络概述
• 1.3.2 知识获取的基本过程
• 1.3.3 神经网络知识获取的方法
• 1.3.4 神经网络知识获取的特点
• 1.3.5 自组织特征映射神经网络
• 1.3.6 人工神经网络在专家系统知识获取方面的应用
• 1.4 本文主要研究内容
• 第2章 SOFM 及在知识获取中的应用
• 2.1 引言
• 2.2 SOFM 网络
• 2.2.1 SOFM 网络结构
• 2.2.2 SOFM 网络学习算法
• 2.3 知识获取实例分析
• 2.4 网络训练结果可视化方法讨论
• 2.4.1 U－矩阵方法
• 2.4.2 可视化实例分析
• 2.4.3 可视化方法改进讨论
• 2.5 SOFM 网络知识获取的局限性
• 2.6 本章小结
• 第3章 小波分析及在特征提取中的应用
• 3.1 小波分析概述
• 3.2 小波识别原理
• 3.3 小波变换及其工程解释
• 3.3.1 连续小波变换
• 3.3.2 离散小波变换
• 3.3.3 小波包分析
• 3.3.4 小波分析的直观理解及其工程解释
• 3.4 小波分析的应用技术
• 3.4.1 小波分析用于信号消噪处理
• 3.4.2 小波分析用于信号的特征提取
• 3.4.3 对某些频率区间的信号进行抑制或衰减
• 3.4.4 信号奇异性检测
• 3.4.5 识别含噪声信号中有用信号的发展趋势
• 3.5 本章小结
• 第4章 基于小波-SOFM 知识获取模型及在故障诊断中的应用
• 4.1 引言
• 4.2 滚动轴承振动信号的特征提取技术
• 4.2.1 时域特征提取技术
• 4.2.2 能量特征提取技术
• 4.2.3 基于小波和 SOFM 的知识获取模型的提出
• 4.3 小波-SOFM 在轴承故障模式识别中的应用
• 4.3.1 轴承故障模式识别研究
• 4.3.2 实例分析
• 4.4 滚动轴承故障诊断系统
• 4.4.1 系统设计
• 4.4.2 系统的总体结构
• 4.4.3 系统的功能实现
• 4.5 本章小结
• 第5章 总结和展望
• 5.1 全文回顾
• 5.2 展望
• 参考文献
• 致谢
• 附录 1 硕士期间发表的论文
• 附录 2 硕士期间参加的科研项目