
                                             何敬举，赵荣珍，赵孝礼，孙业北
                                    (兰州理工大学机电工程学院，甘肃 兰州〓730050)
摘要：特征数据集的属性约简是机械故障智能诊断的关键步骤之一。目前利用粗糙集理论从大量的且含有噪声以及非线性、非平稳信号的故障数据集中提取出有用特征信息是一件值得研究的事情。针对原始故障数据集直接离散化会导致一些关键属性丢失以及时域内分析不能有效获取故障本质的问题，提出了一种以频域内的频谱值为条件属性，以故障类别为决策属性建立邻域粗糙集决策表对数据集进行属性约简的方法。通过处理转子实验台数据对该方法进行验证和对比，结果表明该方法能有效地获得典型故障的关键属性和更加准确的决策规则。
关键词：属性约简；故障诊断；频谱；粗糙集；邻域粗糙集
中图分类号：TP18;TH165〓文献标识码：A〓文章编号：2095-509X(2018)03-0022-05

    随着现代工业技术的不断发展, 越来越多的旋转机械被应用到企业的生产中, 这对旋转机械故障诊断技术不断提出新的要求。机械故障诊断中最为关键的步骤是提取信号故障特征。特征提取又称属性约简或维数约简，从数学的角度考虑，就是通过某种方法使新数据的维数小于等于原数据的维数，新的数据在某种评判标准下最大限度地保留原始数据的特征。属性约简主要是为了解决高维数据计算的复杂性和准确性问题，目的是消除冗余和不相关属性对计算过程和最终结果造成的影响，降低计算复杂度，减少计算时间。在现实世界中，数据数量庞大且数据质量较低，使得许多数据存在不确定性。如何从庞大的数据集中提取出有效的切合实际物理意义的故障特征，进而提高故障诊断的准确性和缩短诊断时间是当前需要研究的问题。
    粗糙集是一种从不完备、不完整数据集中获取知识的数学方法，近年来被国内外专家用在不同领域且都取得了很好的效果，在故障诊断中也被广泛应用。文献采用粗糙集理论对离散化后的决策表进行约简,建立故障诊断规则决策表,能够简化决策表属性约简的难度,使诊断变得更加简便。文献将粗糙集和数据库神经网络结合用来诊断液压机故障，提高了诊断准确性。文献首次对粗糙集理论用于旋转机械状态监测与故障诊断系统知识库构造、实现在线智能知识获取与知识发现及归纳推理进行了研究，并且给出了理论框架。在此基础上,文献［12］将变精度粗糙集用在汽轮机组的故障诊断上，建立了决策表，证实了此方法可以有效获得故障特征属性。为了解决连续属性离散化过程中属性丢失的问题，文献［13］首次在国内提出邻域粗糙集概念，并给出了前向贪心算法，证实了邻域粗糙集在对连续属性约简时能够获得更高的精确度和准确度。文献［14］将多小波包和邻域粗糙集结合在一起建立了故障诊断模型，验证了邻域粗糙集能够从大量的原始特征中选择出敏感特征，减小分类算法的复杂性，提高分类的准确性，证实了该模型在复合故障诊断中具有显著优势。
   然而文献只对以峰值、均值等信号时域特征构成的数据集进行了分析，没有对反映信号本质的频域特征集进行分析。为了更好地获取反映故障本质的属性以及减少连续属性离散化过程中属性的丢失，本文将频域特征信息和邻域粗糙集结合起来对故障特征进行提取，证明了该方法能够获得旋转机械典型故障的关键属性以及准确的决策规则。

.......

基金项目：国家自然科学基金资助项目(51165019)
作者简介：何敬举(1987—)，男，山东济宁人，兰州理工大学硕士研究生，主要研究方向为旋转机械故障诊断

（文章来源《机械设计与制造工程》杂志如需详细资料请联系江苏机械门户网客服QQ:2980918915,电话025-83726289）

更多关注，请扫码