基于贝叶斯网络的滚动轴承故障诊断算法研究.pdfVIP

摘要

作为机械设备的关键组件，滚动轴承的性能和工况决定着设备运行状态的稳定和安全。

因此，针对轴承这一零件进行故障检测及故障诊断，对于维护设备的稳定运行和安全保障具

有举足轻重的意义。在机器运行过程中，强烈的振动和冲击均会使得轴承失效，轴承失效后

其振动信号包含了多分量信息使得信号的信噪比降低，非均匀和非线性特征明显，使得从原

数据中获取特征、识别特征和诊断故障变得困难。为提升轴承故障诊断的精确性，本文提出

了一种故障诊断方法，该方法包括基于余弦相似度改进的自适应噪声集成经验模态分解

（ImprovedCompleteEnsembleEmpiricalModeDecompositionwithAdaptiveNoise-Cosine

Similarity，ICEEMDAN-CS）结合样本熵的故障特征提取算法和改进贝叶斯网络的故障分类

算法。

围绕滚动轴承的组成结构、常见故障类型及振动信号特征提取方法展开研究，针对振动

信号分量多、信噪比低、均匀性和线性特征不显著等特征，采用ICEEMDAN（Improved

CompleteEnsembleEmpiricalModeDecompositionwithAdaptiveNoise，ICEEMDAN）算法分

解复杂振动信号，得到多个固有模态函数IMF（（IntrinsicModeFunction，IMF），并基于余弦

相似度筛选关键特征分量，提取与原始信号最相关的信息；进一步计算各关键分量的样本熵

作为表征信号复杂度的非线性动态特征。最后，将各个分量的样本熵值向量作为建立的改进

贝叶斯网络故障诊断模型的输入。

为解决现有萤火虫算法优化BN（BayesianNetwork，BN）结构学习算法在面对数据量

较大、节点数较多、网络规模较大时出现的学习精度低、陷入局部最优难以获得最优解的问

题，本文设计了一种基于互信息与性别机制萤火虫优化MGM-FA（MutualInformationand

GenderMechanism-optimizedFireflyAlgorithm，MGM-FA）的BN结构学习算法。通过计算

节点互信息得到贝叶斯网络骨架图，基于骨架图驱动MGM-FA算法生成初始种群，并引入

基于性别机制的个性化贝叶斯网络种群更新策略，以保障贝叶斯网络个体的多样性；同时引

入局部优化器和扰动操作符，增强算法的寻优能力。基准测试数据显示，相较于当前主流算

法，本文方法在标准测试网络中的性能表现更为优异。

将本文提出的MGM-FA优化BN结构学习算法用于轴承故障诊断，以各阶IMF分量的

样本熵特征值结合轴承运行的转速和负载作为贝叶斯网络的节点变量，经过数据预处理后作

为改进BN结构学习算法的输入，使用基于最大似然估计法习得模型的参数进而建立基于

BN的轴承故障诊断模型。针对数据量不足的问题，本文提出融合专家知识的BN结构学习

算法优化诊断模型来提高故障诊断的精度。实验结果表明在数据量不足的情况下，通过引入

专家知识，BN模型对轴承故障类型判别的准确率都在90%以上。

关键词：轴承故障诊断；特征提取；贝叶斯网络；萤火虫寻优算法；结构学习；专家知识

万方数据

Abstract

Asacriticalcomponentofmechanicalequipment,theperformanceandoperatingconditions

ofrollingbearingsfundamentallyinfluencethereliabilityandsafeoperationofmachinery.

Consequently,bearinganomalydetectionandfailurediagnosisareofparamountimportancein

maintainingstableoperationande