转子故障数据集的聚类分析方法研究

发布时间：2018-06-16 21:04

本文选题：故障诊断 + 特征加权　；参考：《兰州理工大学》2017年硕士论文

【摘要】：由于机械的强非线性以及工作环境等复杂因素的影响,机械故障特征表现的错综复杂。要想实现满意的故障诊断效果,使用单一的诊断技术已经无法满足现有的需要,必须寻求新的思路与途径。同时,在机器学习的这一过程中,特征的数目往往会有很多,而且有多余的或无关的特征存在。冗余、无关的特征项不仅增加算法的复杂性,同时也降低了运算的准确率。聚类分析作为一个重要的工具应用在很多领域,已经成为近年来研讨的热门。随着“大数据”时代的到来,面对的数据呈现出海量化和复杂化的现象,聚类研究随之而来的是面临着更多新的课题。本文以双跨转子实验台为研究对象,对特征加权技术、核方法、聚类评价指标及模糊聚类算法展开了相关研究。本文的主要研究工作包括以下几个方面的内容:1)分析聚类分析方法在故障诊断中的研究现状和存在的问题。对特征加权的必要性和特征加权方法进行了系统的研究和探讨。在研究核方法基本思想基础上,总结了常见的核函数与核方法。2)针对聚类算法应用到故障辨识问题,研究学习了聚类基础理论,对常用的聚类算法进行了总结,设计了一种基于核方法与模糊C-均值的故障模式辨识方法。通过对采集到的双跨转子实验台数据分析,得到时频域特征,将得到的特征用所提算法聚类。分析表明,将核方法与模糊C-均值技术融合的故障辨识方法,通过引入核方法增大了样本之间的差别,降低了聚类误差,实现了对故障类型的聚类。3)提出了一种自适应NWFE-KFCM算法,该算法针对模糊C-均值算法存在的:(1)对有噪声、离群点、样本分布不均等非超球面的数据处理能力较弱;(2)疏忽了贡献度不同的样本特征对聚类影响;(3)需要依据经验提前给出恰当的聚类数等问题。对问题(1)引入核方法解决,问题(2)采取特征加权赋予样本不同权值,问题(3)通过聚类评价指标自适应寻找最佳聚类数。将所提算法应用到仿真数据集和双跨转子实验台数据集验证,分析表明:该算法不但兼顾了KFCM算法处理噪声数据的优势,同时能够重视不同样本特征对聚类的影响,能够在获得准确聚类数的同时提高聚类的准确性,是一种有效的聚类方法。4)基于MATLAB GUI设计了一套故障辨识系统,将四种聚类算法嵌入到该系统中,可以实现转子故障数据的读取、特征处理及故障辨识,通过实验证明了该系统运行的可行性。聚类分析技术在故障诊断领域带来了许多新的思路和路径,同时它也在不断完善和发展中,对聚类技术的研究将推动机械信息技术向数据驱动的科学方向发展。
[Abstract]:This paper presents a new method of fault identification based on kernel method and fuzzy C - means . It is an effective clustering method . 4 ) Based on MATLAB GUI , a fault identification system is designed . Four kinds of clustering algorithms are embedded in the system . The method can realize the reading , feature processing and fault identification of rotor fault data , and prove the feasibility of this system . Cluster analysis technology brings many new ideas and paths in the field of fault diagnosis .
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TH165.3

【相似文献】