基于粗糙集和证据理论的汽车变速器早期故障模式识别

摘要

汽车变速器早期故障特征不明显，故障信号微弱且容易淹没在强噪声中，使得常规诊断方法不能有效地提取故障信息。此外，常规诊断方法难以同时对多类故障模式进行有效识别。因此，开展早期故障智能诊断方法的研究工作具有重要的意义。
　　 本文提出了基于粗糙集理论的故障特征选择方法，对该方法的关键技术属性离散化和属性约简进行了深入研究。结合故障诊断的特点，提出了新的连续属性离散化方法；将二进制可辨矩阵的概念引入属性重要性的计算中，提出了基于二进制可辨矩阵的属性约简方法。结合神经网络理论，建立了粗糙集神经网络故障分类模型。
　　 针对证据理论在合成高冲突证据时结果有悖常理，而现有几种代表性改进方法合成高冲突证据时收敛速度较慢和合成低冲突证据时发散，提出了基于证据可信度的证据合成新方法。将改进的证据理论同神经网络结合，建立了基于改进证据理论的多神经网络融合故障分类模型。
　　 利用传动实验台进行汽车变速器无故障、轴承类和齿轮类典型早期故障对比试验，通过时域分析、全景谱分析、细化谱分析，研究不同故障模式间的联系与差异，突出早期故障诊断的困难所在。将传统的神经网络分类方法、基于粗糙集神经网络的分类方法及基于证据理论的多神经网络融合分类方法应用于变速器早期故障模式分类。结果表明，相对于传统的神经网络分类方法，本文提出的分类方法能明显地提高故障分类精度和速度。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 课题来源

1.2 课题研究的意义和目的

1.3 国内外研究现状

1.4 论文的研究内容

第二章 基于粗糙集的神经网络故障分类方法

2.1 RST基本概念

2.2 神经网络理论

2.3 基于粗糙集的故障特征选择方法

2.4 粗糙集神经网络故障分类模型

2.5 应用实例

2.6 本章小结

第三章 基于证据理论的多神经网络融合故障分类方法

3.1 证据理论的基本概念

3.2 证据理论的改进

3.3 基于改进证据理论的多神经网络融合故障分类模型

3.4 应用实例

3.5 本章小结

第四章 变速器早期故障模式分类

4.1 试验系统及组成

4.2 轴承类早期故障模式分类

4.3 齿轮类早期故障模式分类

4.4 本章小结

结论与展望

结论

展望

参考文献

攻读硕士学位期间取得的研究成果

致 谢