基于PCA與k-NN的故障檢測與診斷方法研究.pdf

1、現(xiàn)代工業(yè)化生產(chǎn)規(guī)模的不斷擴大，使得各種設備不斷增多并趨于更加智能化，工業(yè)系統(tǒng)逐漸向智能制造系統(tǒng)發(fā)展，整個工業(yè)過程越來越復雜，從而各種各樣故障的產(chǎn)生在所難免。這種復雜的工業(yè)系統(tǒng)在運行過程中，一旦某個環(huán)節(jié)出現(xiàn)故障，將會影響整個系統(tǒng)的正常運行，嚴重的還可能導致系統(tǒng)的崩潰。因此，對工業(yè)過程進行實時監(jiān)測，對將要出現(xiàn)的故障進行及時檢測與診斷，對發(fā)生故障的原因進行準確判斷，是現(xiàn)代工業(yè)過程中不可缺少的一部分，這將為整個工業(yè)系統(tǒng)的安全穩(wěn)定運行提供有力的保

2、證。以往故障檢測與診斷的研究對象主要集中于獨立的大型復雜設備，重點研究其故障檢測和故障原因診斷，或者僅對故障分類進行研究。但是，隨著信息技術的發(fā)展，工業(yè)過程中所涉及的所有設備和系統(tǒng)通過網(wǎng)絡形成了一個龐大復雜的系統(tǒng)。在這種復雜系統(tǒng)下，故障的類型大大增加，涉及的變量越來越多，故障的檢測和診斷更加困難，僅僅檢測并診斷出故障原因已經(jīng)不能為解決故障提供充足的依據(jù)，需要對故障檢測、故障原因診斷以及故障類型識別進行系統(tǒng)的研究，使故障檢測與診斷識別過程

3、統(tǒng)一而完整。因此，針對日益復雜的工業(yè)系統(tǒng)，研究如何實現(xiàn)有效的故障類型識別很有必要，在傳統(tǒng)的故障檢測與故障診斷的基礎上引入故障類型識別，可使故障檢測與診斷過程更完善，為進一步處理故障提供有效的參考和有力依據(jù)。
　　本文以基于網(wǎng)絡的復雜工業(yè)系統(tǒng)為研究對象，在深入分析PCA與k-NN方法的基礎上，對基于PCA的故障檢測過程、基于貢獻圖的故障原因診斷過程以及基于k-NN的故障類型識別過程進行了系統(tǒng)研究。由于在復雜的工業(yè)過程中，對設備進行故

4、障檢測與診斷往往需要考慮整個生產(chǎn)過程中的相關變量，現(xiàn)代以網(wǎng)絡構成的復雜工業(yè)系統(tǒng)所涉及的變量大大增加，這種現(xiàn)狀給統(tǒng)計分析造成了較大困難。主成分分析（PCA）方法，作為一種多元統(tǒng)計分析方法，可以有效地找出數(shù)據(jù)中最“主要”的變量結構，去除噪聲和冗余，降低原來復雜數(shù)據(jù)的維數(shù)，找到隱藏在復雜數(shù)據(jù)之中的簡要結構，大大簡化整個分析過程。運用PCA進行故障檢測，找到故障。接著，采用貢獻圖法進行故障原因診斷，對故障變量進行判斷，確認引起故障的具體數(shù)據(jù)變量

5、。然后，將 k近鄰（k-NN）這種具有較高分類準確率而被廣泛應用于文本自動分類等領域的機器學習方法引入到故障類型的識別領域，以k-NN分類方法為基礎對復雜工業(yè)系統(tǒng)的故障類型識別方法進行研究。針對k-NN方法會因樣本分布不均勻而易造成誤判、k值的大小選擇也會影響分類效果等主要問題，在k-NN的優(yōu)化方法LMC的基礎上，針對復雜工業(yè)系統(tǒng)的特點提出了N-LMC方法。該方法利用更注重維度之間差異的夾角余弦距離來衡量樣本數(shù)據(jù)之間的相似度，優(yōu)化了LM

6、C的分類效果，更加適用于復雜工業(yè)過程中的多維數(shù)據(jù)分類。接著，針對龐大復雜的故障數(shù)據(jù)，結合PCA方法對故障數(shù)據(jù)集進行降維，將N-LMC方法應用于具體故障數(shù)據(jù)的類型識別中。通過MATLAB仿真實驗實現(xiàn)了針對典型數(shù)據(jù)集的故障檢測、故障診斷和基于本文提出的N-LMC方法的故障識別。實驗結果表明，本文所提出的N-LMC方法比k-NN和LMC分類方法的準確率更高，且更適用于復雜的多維數(shù)據(jù)分類。然后通過縱向對比實驗驗證了將N-LMC方法與PCA結合后