基于數(shù)據(jù)挖掘與信息融合的故障診斷方法研究.pdf

1、隨著科學(xué)技術(shù)的飛速發(fā)展和市場(chǎng)競(jìng)爭(zhēng)的日益激烈,工業(yè)生產(chǎn)表現(xiàn)出大型化、分布化、高速化、自動(dòng)化和復(fù)雜化等特點(diǎn).由于這些大型系統(tǒng)一般都是作為能源、石化、冶金以及其他國民經(jīng)濟(jì)支柱產(chǎn)業(yè)中的關(guān)鍵設(shè)備,一旦發(fā)生故障,輕則降低生產(chǎn)效率,重則設(shè)備停機(jī)、生產(chǎn)停頓,有時(shí)甚至發(fā)生機(jī)毀人亡的惡性事故,造成災(zāi)難性的后果.所以,有計(jì)劃、有組織、有針對(duì)地對(duì)關(guān)鍵設(shè)備進(jìn)行實(shí)時(shí)監(jiān)測(cè)與診斷,做到盡早地發(fā)現(xiàn)設(shè)備在運(yùn)行過程中的各種隱患,從而防止災(zāi)難性事故的發(fā)生,成為機(jī)械設(shè)備故障診斷

2、系統(tǒng)面臨和解決的首要問題.數(shù)據(jù)挖掘、信息融合理論以及現(xiàn)代計(jì)算機(jī)、測(cè)試、信號(hào)分析處理等技術(shù)的發(fā)展,為機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷提供了一種嶄新的解決方案.本文在分析了機(jī)械故障診斷的現(xiàn)狀、發(fā)展趨勢(shì)以及數(shù)據(jù)挖掘、信息融合技術(shù)對(duì)于機(jī)械故障診斷的重要性的基礎(chǔ)上,主要從事了以下幾點(diǎn)研究: (1)Bently轉(zhuǎn)子臺(tái)模擬故障試驗(yàn):Bently轉(zhuǎn)子臺(tái)是一個(gè)通用的轉(zhuǎn)子故障模擬試驗(yàn)平臺(tái),本文使用的故障診斷數(shù)據(jù)來自該試驗(yàn)臺(tái).本文共模擬轉(zhuǎn)子的5種運(yùn)行狀態(tài),

3、一種為正常狀態(tài),另四種為故障狀態(tài)包括不平衡、碰摩、渦動(dòng)以及不平衡+碰摩. (2)信息融合包括數(shù)據(jù)層、特征層和決策層三個(gè)層次的融合,數(shù)據(jù)層融合數(shù)據(jù)量巨大,計(jì)算效率較低.因此,本文首先從特征融合角度,研究利用多特征來提高故障診斷的精度.本文使用的診斷特征有三類,包括時(shí)域統(tǒng)計(jì)指標(biāo)(6維)、頻域幅值譜(13維)以及時(shí)頻域小波能量譜(25維),采用PCA進(jìn)行特征融合.基于Bently轉(zhuǎn)子臺(tái)的試驗(yàn)數(shù)據(jù)診斷分析表明,基于PCA的特征融合診斷方

4、法有效地提高了故障診斷的精度. (3)為了有效地利用數(shù)據(jù)挖掘的先進(jìn)技術(shù),對(duì)數(shù)據(jù)挖掘中兩種分類方法C4.5決策樹以及SVM進(jìn)行了改進(jìn).根據(jù)Fayyad邊界點(diǎn)判定定理,改進(jìn)了C4.5算法連續(xù)屬性離散化過程中最優(yōu)閾值的選擇方法,提高了連續(xù)屬性離散化效率.根據(jù)傳統(tǒng)SVM的不足,提出一種支持向量機(jī)決策樹(SVM Decision Tree,SVMDT)分類模型.它解決了"1對(duì)1"與"1對(duì)多"策略下SVM分類方法的拒識(shí)問題,同時(shí)它對(duì)輸出結(jié)果

5、進(jìn)行了的概率賦值,方便了后續(xù)的決策融合.在此基礎(chǔ)上,以C4.5決策樹、SVMDT以及后向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)作為基本分類方法,分別針對(duì)三種特征進(jìn)行診斷決策,最后采用改進(jìn)D-S證據(jù)合成理論進(jìn)行決策融合.試驗(yàn)數(shù)據(jù)的診斷分析表明,基于多特征、多分類器的信息融合方法能夠大大提高故障診斷精度.振動(dòng)、沖擊、噪聲國家重點(diǎn)實(shí)驗(yàn)室. (4) 為了確定決策融合時(shí)多分類器的選擇以及說明多分類器決策融合對(duì)于提高診斷精度的有效性,本文從分類器間的差異

6、性角度對(duì)多分類器融合進(jìn)行了研究,同時(shí)給出一種有效差異性(Efficient Diversity,ED)度量指標(biāo)作為分類器選擇與融合的依據(jù).有效差異度ED越大說明分類器間的差異性越大,分類器決策融合后對(duì)診斷精度的提高越顯著. (5) 基于數(shù)據(jù)挖掘的過程模型,結(jié)合信息融合思想與方法,設(shè)計(jì)了一種新的基于數(shù)據(jù)挖掘與信息融合的知識(shí)獲取與故障診斷系統(tǒng)框架結(jié)構(gòu).該系統(tǒng)包括數(shù)據(jù)采集、數(shù)據(jù)變換、特征選擇、特征融合、單一分類器故障診斷、規(guī)則或模型知