基于有序決策樹的故障程度診斷研究.pdf

1、近幾年，人工智能，尤其是機器學(xué)習(xí)和模式識別技術(shù)大量應(yīng)用于設(shè)備狀態(tài)監(jiān)測和故障診斷領(lǐng)域，采用智能技術(shù)檢測和分析機械故障成為一種趨勢。在故障分析中，用戶除了需要知道某設(shè)備是否發(fā)生故障以及為何種故障外，還需獲得故障的嚴(yán)重信息，從而制定適當(dāng)?shù)木S修策略和檢修方案。
　　故障程度的智能檢測本質(zhì)上是有序分類問題：將故障程度用一組有序整數(shù) n表示(n=1,2,3,…)，表示‘輕微故障’、‘中等故障’‘嚴(yán)重故障’等。相比于經(jīng)典分類問題，有序分類的類別

2、號(即故障程度)之間存在大小關(guān)系。由于存在這種序的關(guān)系，在分類器設(shè)計原則上以及分類器性能評價準(zhǔn)則上都與經(jīng)典的模式分類問題有所差別。
　　在故障程度分析中，當(dāng)表征故障嚴(yán)重性的特征值增加（或減少）時，故障程度隨之增加，即故障特征與故障嚴(yán)重性之間存在單調(diào)性的約束。稱這種能表征故障程度的特征為單調(diào)故障特征。這種單調(diào)性故障特征為故障程度診斷提供簡便實用的信息，可以根據(jù)這種特征來衡量故障程度。
　　本文從模式識別中的有序分類問題出發(fā)，研

3、究了有序分類問題的本質(zhì)和從數(shù)據(jù)中歸納學(xué)習(xí)有序分類模型的方法，提出2種有序分類規(guī)則學(xué)習(xí)算法，并將其應(yīng)用于機械故障嚴(yán)重程度建模。具體內(nèi)容如下：
　　首先，本文系統(tǒng)地介紹了模式識別與機器學(xué)習(xí)領(lǐng)域中的有序分類問題，指出該問題與經(jīng)典模式分類問題相比較，發(fā)展歷史與研究深度相對簡單，還有很大的研究空間。
　　其次，介紹了單調(diào)分類中特征與決策之間的單調(diào)性約束。現(xiàn)有分類器只有在數(shù)據(jù)集是單調(diào)一致時才能訓(xùn)練出單調(diào)的分類模型，而現(xiàn)實中非單調(diào)噪聲廣泛

4、存在，單調(diào)一致數(shù)據(jù)集很難得到。本文引入一種衡量特征與決策之間隨機單調(diào)約束的指標(biāo)，指出特征與決策是概率上的單調(diào)。介紹了有序信息熵模型，該模型繼承了經(jīng)典信息熵的魯棒性，且能夠反映特征與決策之間的隨機單調(diào)相關(guān)性。最后基于該理論構(gòu)造了基于有序信息熵的決策樹學(xué)習(xí)算法。
　　再次，針對部分特征與決策單調(diào)，部分特征不單調(diào)的決策問題，構(gòu)造了隨機有序混雜決策樹算法。首先用非單調(diào)特征分裂數(shù)據(jù)，再用單調(diào)特征繼續(xù)細(xì)化。為測試本文提出方法的性能，分別在人工

5、數(shù)據(jù)和標(biāo)準(zhǔn)數(shù)據(jù)上用本文算法與其他經(jīng)典有序分類算法進行了比較。結(jié)果顯示，本文提出的兩種算法魯棒性好、泛化誤差小。
　　最后，將本文提出的算法應(yīng)用于實際故障診斷。本文應(yīng)用在齒輪裂縫故障程度監(jiān)測實驗中。在實驗中，用位移傳感器監(jiān)測齒輪箱的振動，由此反映齒輪的故障嚴(yán)重程度。為區(qū)分故障等級，人為制造不同深度的齒輪裂縫。在不同負(fù)載和轉(zhuǎn)速情況下得到振動數(shù)據(jù)，然后在頻域與時域上提取了一系列特征得到故障數(shù)據(jù)。結(jié)果顯示，本文方法分類損失低，展示了該方法