GA?CFS結(jié)合案例推理的軸承故障診斷

李長偉，雷文平，董辛?xí)F，李永耀

（1.鄭州大學(xué)機(jī)械工程學(xué)院振動(dòng)工程研究所，河南鄭州 450001）（2.鄭州恩普特科技股份有限公司，河南鄭州 450001）

1 引言

在基于軸承振動(dòng)信號(hào)的故障診斷方法中，大多數(shù)是基于知識(shí)規(guī)則的，發(fā)展得也較為成熟。但這些診斷方法依然存在一些難以克服的缺點(diǎn)，比如知識(shí)的獲取較為困難，知識(shí)規(guī)則庫的維護(hù)較為復(fù)雜等。為了解決這些問題，引入CBR技術(shù)。CBR是運(yùn)用歷史上發(fā)生過的事情來解決新出現(xiàn)的問題、理解新情況的一種新興人工智能方法學(xué)，是不同于基于知識(shí)推理的一種學(xué)習(xí)模式[1]。CBR比較擅于解決知識(shí)缺乏、不便建立模型、存有大量規(guī)則之外的結(jié)構(gòu)化或者半結(jié)構(gòu)化的問題。因此利用CBR方法做軸承故障診斷具有較高的應(yīng)用價(jià)值，并且CBR系統(tǒng)解決問題的能力也會(huì)隨著案例庫的擴(kuò)展而提升，具有較好的成長性。

作為CBR技術(shù)核心模塊的案例庫，對(duì)故障診斷結(jié)果有著決定性的影響，為了獲得較好的案例庫模塊，則需要對(duì)其進(jìn)行優(yōu)化。案例庫主要是由各個(gè)子案例組成，案例庫的優(yōu)化即是對(duì)子案例的優(yōu)化，子案例主要有其屬性特征來表征，則最終的優(yōu)化目標(biāo)即是對(duì)屬性特征的優(yōu)化。

在屬性特征優(yōu)化方面，文獻(xiàn)[2]采用Filter 結(jié)合Wrapper 的特征選擇方法解決特征冗余問題，雖然結(jié)合了兩者的優(yōu)點(diǎn)，但計(jì)算過程繁瑣，耗時(shí)較長；文獻(xiàn)[3]在特征選取中提出了一種CFS 方法，該方法擁有Filter 和Wrapper 的優(yōu)點(diǎn)，不僅計(jì)算速度快而且還適用于離散型和連續(xù)型數(shù)據(jù)；文獻(xiàn)[4]在CBR系統(tǒng)中采用GA算法實(shí)現(xiàn)了特征權(quán)重優(yōu)化問題，并取得了一定的效果；……