基于复杂网络社团聚类的机械故障诊断方法及其应用研究

摘要

随着工业技术的进步，大型复杂机械正朝着大型化、复杂化、集成化发展，设备一旦发生重大故障将严重影响工业生产，造成重大经济损失。因此，对大型复杂机械进行准确故障诊断，确保机械设备安全准确运行是当前机械故障诊断领域的研究热点之一。复杂网络是近年兴起的新的研究方法，是一种用来描述复杂系统的重要模型和工具。它将系统中的元素视为网络节点，节点之间的连接边表示元素之间的关系，通过对节点与边的分析挖掘网络中的自组织、自相似、小世界等特性，其中小世界性表现为节点相互连接组成的小集合，这些集合内部连接紧密，与集合外部连接较少，这种特性又称为社团特性，这正好与故障诊断领域同类故障样本之间联系紧密、不同故障样本之间联系稀疏的特性相对应。论文将故障样本视为复杂网络中的节点，建立故障样本复杂网络模型，并开展社团聚类诊断分析。主要工作如下:
　　(1)开展了故障样本复杂网络社团特性分析，确定相似度函数、网络边权、边阈值等因数，建立故障样本网络模型;研究了基于互信息评价网络模型中重要节点的计算方法，并验证了该方法较其他方法的优越性。
　　(2)研究了基于复杂网络社团聚类的故障诊断方法。应用复杂网络社团结构特性，将网络划分为若干个社团，利用社团模块性合并指标变化开展社团聚类，最后合并的社团对应不同故障类型，实现诊断;以滚动轴承故障诊断实例验证了方法的有效性。
　　(3)研究了基于复杂网络社团聚类的改进K-means聚类诊断方法。针对K-means聚类算法依赖于初始聚类数K值和初始聚类中心的不足，利用复杂网络社团聚类为K-means聚类算法确定K值，通过计算网络节点关联度选取重要节点作为初始聚类中心，开展聚类诊断;有效克服了K-means聚类算法中K值和初始聚类中心选取困难的问题;并以滚动轴承故障诊断实例，验证了该方法的有效性。
　　(4)研究了基于复杂网络社团聚类的复合故障特征分离方法。应用经验模态分解将复合故障信号分解为若干个不同频段的IMF分量，将每个IMF分量视为网络中社团，进行同类社团合并，最后得到对应不同单一故障的各个社团，实现复合故障的有效分离。以转子不平衡和轴承内圈复合故障分离实例、轴承内圈和滚珠复合故障分离实例，验证了方法的有效性。

目录

声明

摘要

第一章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 复杂网络及在故障诊断中的研究现状

1．2．2 社团聚类及其研究现状

1．3 本论文的主要工作

第二章 故障样本复杂网络社团特性分析

2．1 复杂网络的数学描述

2．1．1 度和度分布

2．1．2 路径长度和介数

2．1．3 聚类系数

2．2 故障样本复杂网络模型

2．2．1 实验设备简介

2．2．2 故障数据采集

2．2．3 故障样本网络节点

2．2．4 故障样本网络的边权

2．2．5 建立故障样本数据网络

2．3 故障样本复杂网络社团特性分析

2．3．1 故障样本网络统计特性

2．3．2 网络重要节点特性分析

2．4 本章小结

第三章 基于复杂网络社团聚类的机械故障模式识别

3．1 社团聚类算法

3．1．1 节点关联度的初始社团划分

3．1．2 冗余社团聚类合并

3．2 基于复杂网络社团聚类的故障诊断模型

3．2．1 故障诊断步骤

3．2．2 故障诊断模型

3．3 滚动轴承故障诊断实例

3．4 本章小结

第四章 基于复杂网络社团聚类的改进K-means聚类诊断

4．1 K-means聚类算法的基本原理

4．2 改进K-means聚类算法

4．2．1 基于复杂网络社团结构模块性的故障种类确定

4．2．2 基于复杂网络节点关联度的初始聚类中心确定

4．3 改进K-means聚类算法故障诊断模型

4．3．1 故障诊断步骤

4．3．2 故障诊断模型

4．4 滚动轴承故障诊断实例

4．4．1 故障种类与初始聚类中心的确定

4．4．2 故障诊断结果与分析

4．4 本章小结

第五章 基于复杂网络社团聚类的复合故障特征分离与诊断

5．1 旋转机械复合故障诊断方法简介

5．2 基于复杂网络社团聚类的复合故障特征分离方法

5．2．1 EMD算法

5．2．2 IMF分量社团聚类方法

5．2．3 复杂网络社团聚类的复合故障特征分离诊断模型

5．3 复合故障特征分离与诊断实例研究

5．3．1 转子不平衡和轴承内圈复合故障诊断

5．3．2 轴承内圈和滚珠复合故障诊断

5．4 本章小结

第六章 结论与展望

6．1 论文总结

6．2 研究展望

参考文献

致谢

附录 攻读学位期间参研项目和发表论文目录