关键词:
齿轮箱
故障诊断
贝叶斯网络
动态贝叶斯网络
结构学习
摘要:
随着工业技术的不断进步,我国制造业逐渐向智能化发展,对设备运行的安全性和稳定性要求越来越严苛。齿轮箱作为各类旋转机械的核心部件,其能否稳定运行对机械设备至关重要。然而,其内部复杂的结构以及各部件之间的交互作用导致故障信号存在不确定性、模态混叠和故障耦合的问题,使得故障分类与诊断变得十分困难。齿轮箱故障的发生将导致机械设备停机,造成巨大的经济损失,严重影响设备的运行效率。因此,对齿轮箱进行故障诊断方法的研究非常重要。本文以齿轮箱为研究对象,根据其故障特征分别建立贝叶斯网络(Bayesian Network,BN)和动态贝叶斯网络(Dynamic Bayesian Network,DBN)模型,对齿轮箱运行过程中出现的各类故障模式进行诊断。主要的研究内容如下:
(1)针对齿轮箱设备结构复杂,运行状态数据由于采集成本和设备结构的限制,导致故障数据量稀少,在少量数据下难以获得网络最佳结构,导致故障诊断精度较低的问题。研究了一种改进BDe评分函数的集成学习贝叶斯网络故障诊断方法,通过在评分函数中引入先验知识,扩充少量数据下网络构建的信息量,采用集成学习的方法将多个不同贝叶斯网络结构集成,构建了一个具有更强故障识别能力的贝叶斯网络,提高了少量数据下贝叶斯网络的故障诊断精度。
(2)针对动态贝叶斯网络在多维数据下结构学习时,需要搜索的候选有向无环图空间大,传统方法难以搜索最优网络结构而导致故障诊断精度不足的问题。研究了一种将R藤Copula模型与动态贝叶斯网络相结合进行故障诊断的方法。采用结构预测模型对所提取特征进行筛选得到相关性较强的特征节点,降低网络空间的大小。采用R藤Copula模型的首层树结构结合传递熵构建动态贝叶斯网络的初始网络结构,通过将初始网络结构在时间序列进行展开得到完整的动态贝叶斯网络进行故障诊断。
(3)针对单一特征提取方法难以充分利用数据中故障信息的问题。提出了基于异构特征的DBN故障诊断方法,对故障数据集中的时域特征和小波包系数进行提取作为故障特征,将两种不同的特征采用典型相关性分析在特征池中对数据特征进行融合,之后采用极度随机树方法对融合特征进行重要性分析去除冗余特征,采用异构特征构建DBN模型进行故障诊断,通过实验对本文方法有效性进行验证。
综上所述,本文通过改进的贝叶斯网络模型对齿轮箱在故障诊断中存在的问题进行解决。首先,通过改进贝叶斯网络的评分函数并结合集成学习的方法,成功提高了在少量数据下的故障诊断精度。其次,结合了R藤Copula模型和动态贝叶斯网络,有效解决了多维数据下网络结构学习困难的难题。最后,采用基于异构特征的DBN故障诊断方法充分利用故障数据中的信息,并通过实验验证了方法的有效性。这些研究对提升制造业设备运行效率和降低齿轮箱故障带来的损失具有重要意义。