資源描述：
《基于特征關(guān)聯(lián)性的機械故障模式識別方法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、基于特征關(guān)聯(lián)性的機械故障模式識別方法研究重慶大學(xué)碩士學(xué)位論文（學(xué)術(shù)學(xué)位）學(xué)生姓名：陸超指導(dǎo)教師：柏林教授專業(yè)：機械電子工程學(xué)科門類：工學(xué)重慶大學(xué)機械工程學(xué)院二O一六年四月ResearchonPatternRecognitionofMechanicalFaultBasedonFeatureRelevanceAThesisSubmittedtoChongqingUniversityinPartialFulfillmentoftheRequirementfortheMaster’sDegreeofEngineeringByLuChaoSupervisedbyProf.BoL
2、inSpecialty:MechatronicalEngineeringCollegeofMechanicalEngineeringofChongqingUniversity,Chongqing,ChinaApril2016中文摘要摘要機械設(shè)備故障模式識別過程中，在樣本提取的特征相互之間都存在著一定的內(nèi)在或外在關(guān)聯(lián)特性，而大部分傳統(tǒng)的故障特征提取方法和分類方法都弱化了這種關(guān)聯(lián)性，把特征看作純粹的數(shù)字量進行處理，沒有考慮特征關(guān)聯(lián)性所表征的樣本深層次含義。事實上，提取這樣的特征關(guān)聯(lián)性對分析模式本質(zhì)狀態(tài)，加強同類別聚合度，剔除冗余特征，提升識別能力都有積極正面的影響。本文從
3、故障特征關(guān)聯(lián)性出發(fā)，分析了關(guān)聯(lián)性信息對設(shè)備故障模式識別的意義，以特征的空間結(jié)構(gòu)關(guān)聯(lián)性和統(tǒng)計學(xué)關(guān)聯(lián)性為出發(fā)點，提出了兩種基于特征關(guān)聯(lián)性的機械故障模式識別方法：①基于時頻圖圖像分層紋理和支持張量機的故障識別方法：該方法能夠挖掘出時頻圖譜中紋理特征的空間結(jié)構(gòu)關(guān)聯(lián)性，以特征關(guān)聯(lián)性優(yōu)化樣本的特征聚類性，以紋理矩陣作為樣本特征輸入支持張量機訓(xùn)練學(xué)習(xí)，不破壞紋理矩陣內(nèi)在的空間結(jié)構(gòu)關(guān)系。②基于遞歸定量分析和V-VPMCD（Voted-VariablePredictiveModelBasedClassDiscrimination）的故障識別方法：該方法利用了遞歸定量分析對非線性、非平穩(wěn)
4、信號分析的魯棒性和樣本質(zhì)量不高時處理的優(yōu)勢，以特征之間的統(tǒng)計學(xué)關(guān)聯(lián)性作為分類依據(jù)，用投票法優(yōu)化了變量預(yù)測模型，提升了算法的穩(wěn)定性和識別率。文中對兩類算法分別進行了滾動軸承不同程度、不同類型的故障以及滑動軸承油膜各類失穩(wěn)狀態(tài)的識別實驗，證明了本文算法具有較高的識別準(zhǔn)確率，能夠準(zhǔn)確的預(yù)測軸承的運行工況。與傳統(tǒng)模式識別方法對比中，圖像分層紋理提取和支持張量機相結(jié)合的識別方法優(yōu)于全圖/分層紋理提取與SVM/BP相結(jié)合的識別方法；遞歸定量分析和V-VPMCD相結(jié)合的識別方法優(yōu)于遞歸定量分析與VPMCD/SVM/BP相結(jié)合的識別方法。關(guān)鍵詞：模式識別，特征關(guān)聯(lián)性，分層紋理，遞歸定
5、量分析，V-VPMCDI英文摘要ABSTRACTInmachineryequipmentfailurepatternrecognition,therearecertainkindsofinternalorexternalrelevancebetweencharacteristicfeaturesduringtheprocessofextractingfeaturesfromsamples.Usually,thetraditionalfeatureextractionandclassificationmethodshaveweakenedthisrelevanceand
6、regardthefeaturesasjustnumbers,withoutconsideringthedeepmeaningofthefeaturesrelevance.Infact,extractingandanalyzingtherelevancecanhelpdeterminetheintrinsicalmodeltype,strengthentheclusteringdegreeofthesameclasssamplesandeliminatetheredundantfeatures,whichcancontributetoprovetherecogniti
7、onrate.Accordingtotherelevanceinformationoffaultfeatures,thispaperanalyzedthesignificanceofrelevancetoequipmentfaultpatternrecognition.Takingthespatialstructurerelevanceandstatisticalrelevanceoffeaturesasastartingpoint,thispaperproposedtwomechanicalfaultpatternrecognitionmethod
