面向機(jī)械故障預(yù)診的聚類方法研究.pdf

1、隨著科學(xué)技術(shù)的進(jìn)步和工業(yè)化水平的提高，機(jī)械設(shè)備不斷趨向大型化、連續(xù)化、精密化和智能化，其組成和結(jié)構(gòu)越來越復(fù)雜，對性能指標(biāo)的要求也越來越高，從而增加了設(shè)備發(fā)生故障的潛在可能性。設(shè)備的關(guān)鍵部件發(fā)生故障和失效，將會直接影響企業(yè)的正常生產(chǎn)，造成巨大的經(jīng)濟(jì)損失。顯然，傳統(tǒng)的事后維修和定期維修的維修方式已不能適應(yīng)大型或復(fù)雜設(shè)備正常、高效和安全運(yùn)行的需求。采用先進(jìn)的智能維護(hù)方式，研究故障預(yù)診技術(shù)，以達(dá)到在故障發(fā)生前對設(shè)備進(jìn)行預(yù)測和預(yù)防的目的，對于實(shí)現(xiàn)

2、設(shè)備的近零故障運(yùn)行，具有重要的科學(xué)理論意義和工程應(yīng)用價值。
　　設(shè)備故障與特征之間并不存在簡單的一一對應(yīng)關(guān)系，一種故障可能對應(yīng)著多種特征，反之，一種特征也可能由于多種故障所致，不同設(shè)備具有各自的特征變化規(guī)律，準(zhǔn)確獲得反映設(shè)備運(yùn)行狀態(tài)的特征是對設(shè)備進(jìn)行有效預(yù)診的前提，因此，特征選擇直接關(guān)系到早期故障診斷的準(zhǔn)確性和故障預(yù)診結(jié)果的正確性。而聚類分析是一項(xiàng)重要的數(shù)據(jù)分析技術(shù)，它能夠更好地發(fā)現(xiàn)信號特征的全局分布模式以及特征之間的內(nèi)在聯(lián)系，通

3、過分析每個簇的特點(diǎn)，并對某些簇做進(jìn)一步的分析，從而實(shí)現(xiàn)對反映設(shè)備運(yùn)行狀態(tài)的特征進(jìn)行有效選擇。現(xiàn)有的聚類算法都是從個體實(shí)用性的角度去研究算法，而沒有多層面、多角度的對聚類算法進(jìn)行綜合研究。本文從原始信號中的確定性特征、不確定性特征和關(guān)聯(lián)性特征的角度進(jìn)行了聚類分析方法的研究，為設(shè)備的故障預(yù)診提供了技術(shù)支撐。
　　本文從統(tǒng)計(jì)學(xué)的角度研究了K-means聚類方法，解決了具有確定性特征的平穩(wěn)信號的聚類問題，為設(shè)備的故障預(yù)診提供了支持方法。針

4、對K-means算法聚類個數(shù)需要預(yù)先給定和對初始聚類中心具有敏感性等缺點(diǎn)，提出了基于變長染色體的自適應(yīng)優(yōu)化K-means聚類方法。設(shè)計(jì)了組合交叉算子和變異算子，解決了變長染色體遺傳操作的適應(yīng)性；建立了種群局部最優(yōu)程度指標(biāo)，評價了種群局部最優(yōu)程度；設(shè)計(jì)了交叉概率算子和變異概率算子，解決了自適應(yīng)調(diào)整遺傳控制參數(shù)；建立了基于D-S證據(jù)理論的適應(yīng)度函數(shù)模型，獲取了更優(yōu)的各簇質(zhì)心點(diǎn)。基于葉片材料疲勞破壞實(shí)驗(yàn)數(shù)據(jù)，通過提取葉片材料的確定性特征(最大

5、應(yīng)力值、最小應(yīng)力值和最大與最小應(yīng)力值的絕對值和)，應(yīng)用該方法準(zhǔn)確實(shí)現(xiàn)了葉片材料四種疲勞狀態(tài)的聚類劃分。
　　針對非平穩(wěn)信號中頻域特征存在的不確定性，從人工智能的角度研究了模糊傳遞閉包法，通過對非平穩(wěn)信號中不確定性特征的聚類分析，實(shí)現(xiàn)了具有明確物理意義的特征選擇。為了實(shí)現(xiàn)準(zhǔn)確地選取閾值，提出了基于D-S證據(jù)理論的聚類有效性評價方法?；诘毒吣p實(shí)驗(yàn)數(shù)據(jù)，應(yīng)用基于D-S證據(jù)理論的模糊傳遞閉包法選擇了反映刀具磨損狀態(tài)的頻域特征，通過選擇

6、的頻域特征準(zhǔn)確實(shí)現(xiàn)了刀具五種磨損狀態(tài)的聚類劃分。
　　從群體智能的角度研究了蟻群聚類方法，解決了具有關(guān)聯(lián)性特征的相互關(guān)聯(lián)信號的聚類問題。針對平均相似性函數(shù)模型存在的不合理性，建立了基于灰色關(guān)聯(lián)分析的平均相似性函數(shù)模型；利用Sigmoid函數(shù)和余弦函數(shù)改進(jìn)策略的非線性調(diào)整思想，提出了求解概率轉(zhuǎn)換函數(shù)的方法。針對隨機(jī)產(chǎn)生的比較概率與螞蟻環(huán)境變換的不一致性，設(shè)計(jì)了動態(tài)調(diào)節(jié)比較概率模型；通過增加的異常值處理方法，加快了算法的收斂速度?；?/p>