基于平均多粒度决策粗糙集和NNBC的滚动轴承故障诊断

摘要：

采用求同排异思想的悲观多粒度粗糙集是一种规避风险的决策策略,其限制条件过于苛刻,导致约简后的征兆属性集维数过低,难于对滚动轴承的状态做出准确判断.为此,提出一种基于平均多粒度决策粗糙集和非朴素贝叶斯分类器(Non-Naive Bayesian Classifier,NNBC)的滚动轴承故障诊断方法.该方法提取训练样本中滚动轴承的故障特征,用于构建平均多粒度决策粗糙集;采用基于平均多粒度决策粗糙集的属性约简算法,降低训练样本中征兆属性集的维数;根据约简后的训练样本构建NNBC,用于判断待诊样本中滚动轴承状态.实验结果表明该方法能够准确地判断滚动轴承的故障类型及故障程度.

关键词：平均多粒度决策粗糙集、属性约简、非朴素贝叶斯分类器、滚动轴承、故障诊断

所属期刊栏目：38

分类号：TP18;TH165+.3(自动化基础理论)

资助基金：国家自然科学基金61673142,51275136;黑龙江省普通本科高等学校青年创新人才项目UNPYSCT-2016034

在线出版日期：2019-08-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：209-215