[发明专利]基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法

说明书

本发明公开了一种基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法，所述识别方法包括如下步骤：步骤一、提取训练样本中滚柱轴承的故障诊断特征，用于构建标准化流向图；步骤二、采用基于征兆属性节点重要度的节点约简算法删除标准化流向图中冗余的征兆属性节点，获得节点约简后流向图；步骤三、提取待诊样本中滚柱轴承的故障诊断特征，利用基于流向图的非朴素贝叶斯推理算法识别待诊样本中滚柱轴承的状态。本发明能直观且准确地识别滚柱轴承的故障程度，为滚柱轴承的故障程度识别提供了一种新颖的解决思路。

技术领域

本发明涉及一种故障程度识别方法，尤其涉及一种基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法。

背景技术

滚柱轴承作为旋转机械的关键部件，直接影响着机械设备的正常运行。然而，由于长期运行在高速重载等复杂恶劣工况，滚柱轴承的内圈和外圈极易发生不同程度的裂纹、点蚀或剥落等局部故障，从而降低设备精度，甚至导致危害人身安全的事故发生。因此，滚柱轴承的故障程度识别对预防潜在灾难性事故的发生和确保机械系统的安全运行具有重要的意义。

近年来，智能诊断技术受到学者的广泛关注，已成功应用于滚柱轴承的故障程度识别中，如人工神经网络(Artificial neural network，ANN)、支持向量机(Supportvectormachine，SVM)和深度学习(Deep learning，DL)等。尽管ANN模型已成功应用于滚柱轴承的故障程度识别，但其识别过程较晦涩，模型结构和参数的确定依然较复杂。SVM虽具有突出的泛化特性和较强的容错能力，但最优超平面的确定需耗费大量时间，且依赖于操作者的反复实验。DL模型虽具有简单的结构和极强的表示能力，但提取的故障诊断特征常包含大量的冗余信息，增加了计算成本，降低了诊断准确率。

作为一种新颖的数学模型，流向图能直观地表示和描述属性间的因果关系，已被成功应用于知识获取和故障诊断等领域。有的学者将流向图用于挖掘故障诊断知识，从而实现故障诊断；有的学者提出了一种基于粒度流向图的自适应规则生成策略。然而，流向图中冗余的征兆属性节点会导致较高的计算成本，流向图较弱的分类推理能力会导致较低的诊断准确率。

发明内容

为了解决流向图中冗余的征兆属性节点和流向图较弱的分类推理能力所导致的高计算成本和低诊断准确率的问题，本发明提供了一种基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法。该方法能直观且准确地识别滚柱轴承的故障程度，为滚柱轴承的故障程度识别提供了一种新颖的解决思路。

本发明的目的是通过以下技术方案实现的：

一种基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法，包括如下步骤：

步骤一、提取训练样本中滚柱轴承的故障诊断特征，用于构建标准化流向图；

步骤二、采用基于征兆属性节点重要度的节点约简算法删除标准化流向图中冗余的征兆属性节点，获得节点约简后流向图；

步骤三、提取待诊样本中滚柱轴承的故障诊断特征，利用基于流向图的非朴素贝叶斯推理算法识别待诊样本中滚柱轴承的状态。

相比于其它轴承故障程度识别方法，本发明具有如下优点：

1、本发明基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法以图形化的方式理解和分析故障程度识别过程，采用标准化流向图直观地表示和描述属性间的因果关系，利用征兆属性节点的重要度定量刻画征兆属性节点对流向图分类决策能力的影响。

2、本发明基于征兆属性节点重要度的节点约简算法可用于删除流向图中冗余的征兆属性节点，保留核心且敏感的征兆属性节点，从而降低分类推理的计算复杂度。

3、本发明基于流向图的非朴素贝叶斯推理算法克服了条件独立性假设的条件约束，用联合概率密度函数估计替代边缘概率密度函数估计，从而使该算法在滚柱轴承的故障程度识别中获得了良好的诊断效果。