基于粗糙集和神经网络的柴油机转子振动故障模式识别

提出了一种基于粗糙集和神经网络的柴油机转子振动故障模式识别方法。针对传感器采集数据多、计算量大的缺点，提出了一种确定数据代表点集的方法。以代表点集表示原始数据，同时剔除了异常点。计算代表点集的小波包，提取振动信号能量特征。在对不同振动信号能量特征数据离散的基础上，对数据离散方法进行改进，针对数据结构特征确定了等频离散法与公平尺度法相结合的离散方法。最后以获取的简化规则为输入，利用BP神经网络进行故障诊断。将本文建立的故障诊断方法应用到柴油机转子振动系统中去，表明了该种方法的有效性。

柴油机是我国交通行业的主力机械，柴油机工作时承受负载大，故障发生概率大，其转子振动问题一直未得到有效解决，困扰着工程技术人员。国内外学者对故障模式识别的研究开展的较多，取得了一系列成果。文献[1]提出了一种新的多分类模式识别算法，用于解决大样本情况下的多类故障模式识别问题。但算法本身只精简了输入参数的个数，没能考虑参数间存在的关联。如果输入参数间存在耦合，识别精度将降低。并且算法本身涉及多重迭代，计算时间较长。文献[2]针对轴承早期故障特征难以提取的问题，提出了一种基于非线性流形学习的轴承早期故障诊断方法。将原始数据映射到线性可分的高维空间，消除了参数之间的关联，通过实例验证表明该方法提取的特征敏感性更好，提高了故障模式的识别能力，实现了轴承的早期故障诊断。文献[3]提出一种基于几何模式识别技术的发动机传感器故障诊断方法， 但距离是定义在原始欧式空间上的， 数据之间存在关联， 不同类别分类存在交叠， 识别效果不理想。

文献[4]将粗糙集理论的属性约简与核主元分析方法结合起来，提出一种基于粗糙核主元分析的故障特征提取方法。利用核主元方法得到线性可分的特征参数，经粗糙集属性约简进一步得到最简的特征参数， 提高了故障识别精度。

由于获取的柴油机转子振动数据量巨大，设计一种算法，只利用少量的代表点集就可以表征原始数据， 极大的减小了计算量。

利用数据代表点集的小波包提取振动信号能量特征， 各个特征参数彼此独立；将小波包分解与粗糙集理论相结合，对转子不对中、支座松动和碰摩故障振动信号进行数据挖掘，获取了简化的识别规则。以获取的规则为基础，利用神经网络识别转子振动故障，使诊断规则具有泛化性， 提高识别精度。在样本数据足够多的情况下，建立的粗糙集和神经网络故障诊断方法可以推广到其他机械装置，为转子振动信号监测、诊断和识别提供有意义的方法支撑[5]。