基于信息融合的设备故障预测研究

发布时间：2017-06-07 05:10

  本文关键词：基于信息融合的设备故障预测研究，由笔耕文化传播整理发布。

【摘要】：机械设备对工业进步起到了巨大的促进作用,为保障工业生产中关键设备持续、高效运行,提高生产率,准确的诊断与预测设备故障逐渐成为工业发展的重中之重。以往的故障预测技术大都基于单传感器信号,然而由于转子涡动现象的存在,靠单一传感器采集的信号往往比较片面,这就导致其预测结果不够准确。而全矢谱技术能融合多通道信号并准确提取特征量,克服了预测数据不可靠的技术难点,可以有效提高故障预测的精度。支持向量回归方法在解决小样本预测问题中具有明显的优越性,而在其基础上拓展出的最小二乘支持向量回归具有更好的泛化能力和预测性能。在设备故障预测中采用最小二乘支持向量回归可以充分利用设备状态监测系统中近段时间内采集的小样本数据进行趋势预测,这就大大提高预测结果的可信度,具有良好的工程实用效果。本文将全矢谱技术与最小二乘支持向量回归方法相结合,构建基于信息融合的设备故障预测模型,与以往时域指标的预测不同,该模型是对反映设备运行状态的频谱结构进行预测,并通过实例验证其有效性。本课题的主要研究工作如下:1、分析不同的信息融合方法,并通过对比说明全矢谱技术的优势。介绍全矢谱技术的原理、算法以及特点,并通过风力涡轮机故障诊断综合实验台上的诊断实例验证其能够提取同源信号中完整的、准确的特征信息。运用全矢谱技术能够获得反映设备真实状态的特征量,为设备故障预测提供可靠的数据支持。2、研究支持向量回归的基础理论,分析其回归预测的思想,并构建基于全矢谱的支持向量回归预测模型。该模型能够解决以往单通道数据不完整及预测结果不准确的问题,并通过sinc函数仿真和汽轮机组1X预测实例验证其可行性。3、构建全矢最小二乘支持向量回归预测模型,并给出其具体算法和预测流程。通过将现场汽轮机组的实际振动数据应用于该模型中,证明其能够进行频谱结构预测并能取得较好的预测效果,具有很好的工程实际意义。
【关键词】：故障预测 全矢谱 信息融合 最小二乘支持向量回归 回归预测
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH17
【目录】：

• 摘要4-5
• Abstract5-10
• 1 绪论10-20
• 1.1 课题来源10
• 1.2 设备故障预测的意义10-11
• 1.3 设备故障预测的研究现状11-14
• 1.3.1 基于数据的预测方法12-13
• 1.3.2 基于模型的预测方法13-14
• 1.3.3 基于知识的预测方法14
• 1.4 同源信息融合技术的研究现状14-17
• 1.4.1 全息谱分析方法15-16
• 1.4.2 全频谱分析方法16-17
• 1.4.3 全矢谱分析方法17
• 1.5 本课题的研究目的和意义17-18
• 1.6 本文的主要内容18-20
• 2 支持向量回归理论20-30
• 2.1 引言20
• 2.2 机器学习20-22
• 2.2.1 机器学习的表达20-21
• 2.2.2 经验风险最小化原则21-22
• 2.3 统计学习理论22-26
• 2.3.1 统计学习具有一致性的条件22
• 2.3.2 统计学习VC维概念22-23
• 2.3.3 结构风险最小化原则23-26
• 2.4 支持向量回归思想26-28
• 2.4.1 最大间隔法分类26-27
• 2.4.2 支持向量回归27-28
• 2.5 本章小结28-30
• 3 全矢谱技术及应用30-43
• 3.1 引言30
• 3.2 全矢谱技术的基本理论30-36
• 3.3 全矢谱技术的数值算法36-37
• 3.4 全矢谱技术的兼容性37-38
• 3.5 全矢谱技术的应用38-42
• 3.6 本章小结42-43
• 4 全矢支持向量回归趋势预测研究43-55
• 4.1 引言43
• 4.2 支持向量回归算法43-49
• 4.2.1 线性回归及损失函数43-45
• 4.2.2 ε—不敏感损失函数45-46
• 4.2.3 ε—不敏感损失函数的线性回归46-48
• 4.2.4 非线性回归的推广48-49
• 4.3 全矢支持向量回归预测模型及其应用49-54
• 4.3.1 时间序列样本重构及预测49-50
• 4.3.2 预测结果的评价50
• 4.3.3 支持向量回归预测的仿真分析50-51
• 4.3.4 全矢支持向量回归预测模型的构建51-52
• 4.3.5 全矢支持向量回归在预测汽轮机组运行状态中的应用52-54
• 4.4 本章小结54-55
• 5 基于全矢谱的最小二乘支持向量回归故障预测研究55-67
• 5.1 引言55
• 5.2 最小二乘支持向量回归的算法55-57
• 5.3 全矢最小二乘支持向量回归预测模型及应用57-66
• 5.3.1 对汽轮机组振动信号 1X主振矢的预测57-58
• 5.3.2 全矢最小二乘支持向量回归预测模型的参数选择58-63
• 5.3.3 基于全矢最小二乘支持向量回归的多步预测及频谱结构预测63-66
• 5.4 本章小结66-67
• 6 结论与展望67-69
• 6.1 本文工作总结67
• 6.2 课题研究的创新点67-68
• 6.3 展望68-69
• 参考文献69-73
• 致谢73-74
• 个人简历、在学期间发表的学术论文与研究成果74

【相似文献】

中国期刊全文数据库 前10条

1 ;首届全国信息融合学术年会召开[J];航空学报;2009年12期

2 ;首届全国信息融合学术年会征文通知[J];海军航空工程学院学报;2009年04期

3 ;第二届全国信息融合学术年会征文通知[J];舰船电子工程;2010年01期

4 ;首届全国信息融合学术年会[J];舰船电子工程;2010年01期

5 ;第三届中国信息融合大会征文通知[J];航空学报;2011年01期

6 ;第四届中国信息融合大会征文通知[J];舰船电子工程;2011年08期

7 ;第4届中国信息融合大会征文通知[J];航空学报;2011年12期

8 ;第四届中国信息融合大会征文通知[J];舰船电子工程;2011年12期

9 ;第四届中国信息融合大会征文通知[J];舰船电子工程;2012年02期

10 ;第四届中国信息融合大会征文通知[J];舰船电子工程;2012年03期

中国重要会议论文全文数据库 前10条

1 朱茵;王军利;;交通管理综合信息融合模型研究[A];第二十七届中国控制会议论文集[C];2008年

2 顾星;;中医诊断与体表生物特征多信息融合的思考[A];中国中西医结合学会诊断专业委员会2009’年会论文集[C];2009年

3 王志胜;甄子洋;王道波;范大鹏;;随机大系统的信息融合最优联合控制[A];PCC2009—第20届中国过程控制会议论文集[C];2009年

4 杨为民;李龙澍;;基于GIT的信息融合在农业信息中的应用[A];2005年“数字安徽”博士科技论坛论文集[C];2005年

5 刘汝杰;袁保宗;;信息融合的认知学基础与D-S融合方法[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];1999年

6 杜奕;迟毅林;伍星;;概率盒和D-S结构体在机械故障信号信息融合中的应用展望[A];2009年中国智能自动化会议论文集（第二分册）[C];2009年

7 李树军;蒋晓瑜;纪红霞;;多传感器信息融合技术和典型算法的应用诠释[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年

8 孙来军;沈永良;;多SVM多级信息融合与诊断决策模型的研究[A];2007'中国仪器仪表与测控技术交流大会论文集（二）[C];2007年

9 杜奕;迟毅林;伍星;;信息融合在设备监测和故障诊断中的应用[A];第二十七届中国控制会议论文集[C];2008年

10 李录平;邹新元;晋风华;黄树红;卢绪祥;;基于信息融合的旋转机械振动状态评价方法研究[A];第八届全国振动理论及应用学术会议论文集摘要[C];2003年

中国重要报纸全文数据库 前2条

1 周新红 田朝晖 段勇;信息融合：现代战争的重要支撑[N];解放军报;2005年

2 本报记者 别坤;信息融合让地铁更快捷[N];计算机世界;2012年

中国博士学位论文全文数据库 前10条

1 胡洲;信息融合欠驱动控制技术研究[D];南京航空航天大学;2014年

2 张云璐;基于用户信息融合的个性化推荐[D];武汉大学;2012年

3 王恩雁;基于本体的多源异构应急信息融合方法研究[D];哈尔滨工业大学;2014年

4 文妍;基于多源信息融合的数控机床进给系统机械故障诊断研究[D];青岛理工大学;2016年

5 吴荣春;军事信息系统中信息融合关键技术研究[D];电子科技大学;2016年

6 朱林;信息融合系统工程设计准则的研究[D];哈尔滨工程大学;2005年

7 朱方;多信息融合模式分类方法研究及在公交客流识别系统中的应用[D];河北工业大学;2010年

8 孔庆杰;信息融合理论及其在交通监控信息处理中的应用[D];上海交通大学;2010年

9 王晓帆;信息融合中的态势评估技术研究[D];西安电子科技大学;2012年

10 王志胜;信息融合估计理论及其在航天器控制中的应用研究[D];西北工业大学;2002年

中国硕士学位论文全文数据库 前10条

1 李晓;基于信息融合的高速列车转向架故障诊断[D];西南交通大学;2015年

2 陈昭;基于云计算的中药信息融合知识服务平台构建[D];福建中医药大学;2015年

3 王嵩磊;农产品溯源与政府监管系统开发[D];浙江理工大学;2016年

4 严思宁;基于信息融合的智能车辆前方目标识别技术研究[D];东南大学;2015年

5 郭伟龙;融合多源信息的室内定位算法研究[D];浙江大学;2016年

6 聂新雨;基于信息融合的轧制过程故障诊断方法研究[D];东北大学;2014年

7 吕丁浩;基于信息融合的建筑能耗控制[D];上海工程技术大学;2016年

8 谢志鹏;基于信息融合的车辆安全监控系统关键技术研究[D];西南交通大学;2016年

9 张钱龙;基于信息融合的设备故障预测研究[D];郑州大学;2016年

10 王国鹏;基于信息融合的疲劳状态估计方法研究[D];东南大学;2016年

  本文关键词：基于信息融合的设备故障预测研究，，由笔耕文化传播整理发布。

本文编号：428235