基于机器学习的数据驱动故障诊断方法研究
发布时间：2022-02-13 19:28
随着现代设备的复杂化和大型化,系统的异常检测和故障诊断一直是学术界关注的重点问题。若不能及时发现并处理系统故障,将造成巨大的人员伤亡和经济损失。如果能及时检测出早期故障并隔离报警,将有效避免异常事故的发生。因此,对复杂系统进行合理的故障诊断成为关键手段。目前故障诊断的研究热点主要为基于智能学习方法的数据驱动故障诊断方法,但是传统的智能学习方法尚不能充分挖掘数据中隐含故障特征信息,存在逼近精度不足的问题,且故障诊断模型中参数不确定性的情况大量存在,导致故障诊断精度波动大及精度不够的问题。为此,本文从故障诊断的特征提取角度及智能故障诊断模型构建角度,分别提出基于机器学习算法的隐含故障特征提取方法以及集成多种机器学习算法的故障诊断模型,以提高故障诊断的精度。基于UCI机器学习数据库中的数据集对上述方法及模型进行了分析验证,并通过注塑机拉杆的故障诊断实例来验证所提方法的有效性。本文的主要工作如下:（1）提出基于极限梯度提升（eXtreme Gradient Boosting,XGBoost）算法的隐含故障特征提取方法。研究此方法的深层次特征提取能力,并分析使用提取的隐含故障特征前后所构建的支持...
【文章来源】：浙江工业大学浙江省
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
故障诊断方法分类[9]
图 1-2 基于人工智能技术的故障诊断基本过程igure 1-2. Basic process of fault diagnosis based on artificial intelligence technolo从上述过程可知，建立智能故障诊断模型，特征提取的好坏很大程度上模型的性能，它是故障诊断中的关键环节。较差的故障特征不仅影响运，也会降低模型对故障的识别精度。因此，研究有效的特征提取方法至接下来将从故障特征提取和故障状态识别两个方面对故障诊断方法的国现状进行阐述和总结。 故障特征提取的国内外研究现状在基于模式识别的故障诊断方法中，针对诊断设备的不同，可以使用不去获取反映设备状态的数据特征。在故障诊断发展的几十年间，国内外了大量的特征提取方法，主要分为基于变量间信息的特征提取方法、基模式间信息的特征提取方法、频谱型故障特征提取方法。图 1-3 为故障方法的详细分类。它主要分为基于变量间信息的特征提取方法、基于变间信息的特征提取方法、基于频谱型的特征提取方法。在基于变量间信
浙江工业大学硕士学位论文的故障特征信息。Kankar 等[30]提出了一种利用连续小波变换进行滚动诊断的方法，然后使用提取的统计特征作为机器学习技术的输入，从而动轴承的故障诊断。Wang 等[31]提出了利用基于卡尔曼平滑算法的时变法实现非平稳信号的参数化建模，从而获得高分辨率的时频谱。然后采分解方法得到时频谱的左右奇异向量，并通过下采样和预处理，将这些作为时频谱的特征向量。
【参考文献】：
期刊论文
[1]基于FTRL和XGBoost算法的产品故障预测模型[J]. 杨正森. 计算机系统应用. 2019(03)
[2]Humidity-responsive Bilayer Actuators Comprised of Porous and Nonporous Poly（acrylic acid）/Poly（allylamine hydrochloride） Films[J]. Miao Zheng,Tang-Jie Long,Xiao-Ling Chen,Jun-Qi Sun. Chinese Journal of Polymer Science. 2019(01)
[3]奇异值分解与LMD结合的滚动轴承故障诊断研究[J]. 赵伟杰,杨乐乐,郝旺身,郝伟. 机械设计与制造. 2018(05)
[4]Crack Fault Classification for Planetary Gearbox Based on Feature Selection Technique and K-means Clustering Method[J]. Li-Ming Wang,Yi-Min Shao. Chinese Journal of Mechanical Engineering. 2018(01)
[5]输电线路视频监控智能分析专家系统关键技术设计[J]. 黄新波,邢晓强,李菊清,张慧莹,刘新慧,纪超,张烨,王孝敬. 中国电力. 2018(01)
[6]深度学习认知计算综述[J]. 陈伟宏,安吉尧,李仁发,李万里. 自动化学报. 2017(11)
[7]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
[8]Xgboost在滚动轴承故障诊断中的应用[J]. 张钰,陈珺,王晓峰,刘飞. 噪声与振动控制. 2017(04)
[9]基于双谱分析特征提取的汽轮机故障智能诊断[J]. 王志刚,王宏超. 中国工程机械学报. 2016(05)
[10]基于PCA-PDBNs的故障检测与自学习辨识[J]. 王培良,夏春江. 仪器仪表学报. 2015(05)
博士论文
[1]统计聚类和粒子滤波在故障诊断中的应用研究[D]. 李丽敏.西北工业大学 2014
[2]回声状态网络分类方法及其应用研究[D]. 郭嘉.哈尔滨工业大学 2011
硕士论文
[1]基于核主元分析的故障检测与诊断研究[D]. 李蓉一.南京师范大学 2011
本文编号：3623784
【文章来源】：浙江工业大学浙江省
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
故障诊断方法分类[9]
图 1-2 基于人工智能技术的故障诊断基本过程igure 1-2. Basic process of fault diagnosis based on artificial intelligence technolo从上述过程可知，建立智能故障诊断模型，特征提取的好坏很大程度上模型的性能，它是故障诊断中的关键环节。较差的故障特征不仅影响运，也会降低模型对故障的识别精度。因此，研究有效的特征提取方法至接下来将从故障特征提取和故障状态识别两个方面对故障诊断方法的国现状进行阐述和总结。 故障特征提取的国内外研究现状在基于模式识别的故障诊断方法中，针对诊断设备的不同，可以使用不去获取反映设备状态的数据特征。在故障诊断发展的几十年间，国内外了大量的特征提取方法，主要分为基于变量间信息的特征提取方法、基模式间信息的特征提取方法、频谱型故障特征提取方法。图 1-3 为故障方法的详细分类。它主要分为基于变量间信息的特征提取方法、基于变间信息的特征提取方法、基于频谱型的特征提取方法。在基于变量间信
浙江工业大学硕士学位论文的故障特征信息。Kankar 等[30]提出了一种利用连续小波变换进行滚动诊断的方法，然后使用提取的统计特征作为机器学习技术的输入，从而动轴承的故障诊断。Wang 等[31]提出了利用基于卡尔曼平滑算法的时变法实现非平稳信号的参数化建模，从而获得高分辨率的时频谱。然后采分解方法得到时频谱的左右奇异向量，并通过下采样和预处理，将这些作为时频谱的特征向量。
【参考文献】：
期刊论文
[1]基于FTRL和XGBoost算法的产品故障预测模型[J]. 杨正森. 计算机系统应用. 2019(03)
[2]Humidity-responsive Bilayer Actuators Comprised of Porous and Nonporous Poly（acrylic acid）/Poly（allylamine hydrochloride） Films[J]. Miao Zheng,Tang-Jie Long,Xiao-Ling Chen,Jun-Qi Sun. Chinese Journal of Polymer Science. 2019(01)
[3]奇异值分解与LMD结合的滚动轴承故障诊断研究[J]. 赵伟杰,杨乐乐,郝旺身,郝伟. 机械设计与制造. 2018(05)
[4]Crack Fault Classification for Planetary Gearbox Based on Feature Selection Technique and K-means Clustering Method[J]. Li-Ming Wang,Yi-Min Shao. Chinese Journal of Mechanical Engineering. 2018(01)
[5]输电线路视频监控智能分析专家系统关键技术设计[J]. 黄新波,邢晓强,李菊清,张慧莹,刘新慧,纪超,张烨,王孝敬. 中国电力. 2018(01)
[6]深度学习认知计算综述[J]. 陈伟宏,安吉尧,李仁发,李万里. 自动化学报. 2017(11)
[7]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
[8]Xgboost在滚动轴承故障诊断中的应用[J]. 张钰,陈珺,王晓峰,刘飞. 噪声与振动控制. 2017(04)
[9]基于双谱分析特征提取的汽轮机故障智能诊断[J]. 王志刚,王宏超. 中国工程机械学报. 2016(05)
[10]基于PCA-PDBNs的故障检测与自学习辨识[J]. 王培良,夏春江. 仪器仪表学报. 2015(05)
博士论文
[1]统计聚类和粒子滤波在故障诊断中的应用研究[D]. 李丽敏.西北工业大学 2014
[2]回声状态网络分类方法及其应用研究[D]. 郭嘉.哈尔滨工业大学 2011
硕士论文
[1]基于核主元分析的故障检测与诊断研究[D]. 李蓉一.南京师范大学 2011
本文编号：3623784
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3623784.html
