基于不平衡数据分类方法的机床故障诊断及应用
发布时间：2020-12-20 11:38
数控机床是制造之母,在现代制造业中起着至关重要的作用,机床发生故障时,若不能及时对故障进行准确地诊断,轻则引起产品质量下降,重则影响生产进度,故及时发现并消除数控机床的故障是十分必要的。机床机械设备的故障诊断本质上是一个模式识别的过程,传统基于SVM故障诊断方法都是基于样本均衡的前提条件下进行的,但是在现实生活中故障数据收集困难且体量较小,这就导致了数据集不平衡。针对数据集不平衡、样本严重重叠以及噪声干扰时SVM的诊断效果不佳的劣势,本文在采样算法方面研究了更适用于不平衡数据的采样算法,在诊断方面,提出了一种基于不平衡数据分类方法的新型故障诊断方法,并以机床主轴轴承故障诊断为例进行了实验验证,验证结果表明本文所提采样算法和故障诊断方法可行有效,主要研究内容如下:（1）以含有三个特殊点的人造数据集TD为例,通过SVM、RAMO-SVM、SMOTE-SVM、BSMOTE-SVM、ADASYN-SVM对其进行训练;基于训练结果,详细地分析了RAMO、SMOTE、BSMOTE、ADASYN四种传统过采样算法的优缺点;通过汲取四类传统过采样方式的优点,提出了一种考虑信息量的过采样（OCAI）算法...
【文章来源】：贵州大学贵州省 211工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
基于数据驱动的故障诊断结构图
本节引入如图3.1 所示的一个二维不平衡数据集(test dataset,TD)，该数据集的基本参数为：特征数（Attributes）为 3，正负（少多数）类不平衡比（Unbalanced-ratio）为 25:105，正负类标签（Labels）为 1/-1。为了探究特殊样本对上述 4 种采样方式的影响，该数据集含有三个特殊测试点 p4、p5、p6（其中，p4、p5 为正确的样本点但位于正负类边界中，p6为错误的样本点，即可能因为人为错误等因素录入错误的点），其在标准 SVM 分类器下的训练结果如图 3.2 所示,其中支持向量（support vecters）为 50（正类 25 个
图 3.2 数据集 TD 在标准 SVM 分类器下的训练结果同测验数据集的传统过采样算法性能分析过采样算法及其性能分析O 算法简介样算法（RAMO）技术就是通过不断有放回地从少数类中到原始数据集中，最终达到数量上与多数类样本的平衡。间极为有限而很容易导致过拟合。 RAMO-SVM 算法对 TD 进行采样处理据集绝对平衡，本文首先需要利用 RAMO 算法对 TD 中少制 80 个样本，然后将这 80 个样本加入到 TD 数据集中， 分类器进行训练，其训练结果如图 3.3 所示，其中支
【参考文献】：
期刊论文
[1]基于不平衡数据样本特性的新型过采样SVM分类算法[J]. 黄海松,魏建安,康佩栋. 控制与决策. 2018(09)
[2]基于不平衡支持向量数据描述的故障诊断算法[J]. 韩志艳,王健. 计算机工程. 2017(05)
[3]完全互补小波噪声辅助集总经验模态分解[J]. 何刘,丁建明,林建辉,刘新厂. 振动与冲击. 2017(04)
[4]基于EEMD和自相关函数峰态系数的轴承故障诊断方法[J]. 刘永强,李翠省,廖英英. 振动与冲击. 2017(02)
[5]改进LSSVM迁移学习方法的轴承故障诊断[J]. 陈超,沈飞,严如强. 仪器仪表学报. 2017(01)
[6]基于改进随机梯度Boosting算法的软测量建模[J]. 仓文涛,杨慧中. 化工学报. 2017(03)
[7]对朴素贝叶斯分类器的改进[J]. 李楚进,付泽正. 统计与决策. 2016(21)
[8]数据集不均衡下的设备故障程度识别方法研究[J]. 段礼祥,郭晗,王金江. 振动与冲击. 2016(20)
[9]用于不平衡数据分类的模糊支持向量机算法[J]. 鞠哲,曹隽喆,顾宏. 大连理工大学学报. 2016(05)
[10]基于数据驱动的微小故障诊断方法综述[J]. 文成林,吕菲亚,包哲静,刘妹琴. 自动化学报. 2016(09)
博士论文
[1]基于免疫系统的不平衡数据分类方法研究[D]. 艾旭升.苏州大学 2016
[2]基于神经网络的不平衡数据分类方法研究[D]. 杨泽平.华东理工大学 2015
[3]不均衡数据分类方法的研究[D]. 曹鹏.东北大学 2014
硕士论文
[1]基于支持向量机的不平衡数据分类算法研究[D]. 刘东启.浙江大学 2017
[2]基于数据驱动的工业过程故障诊断方法研究[D]. 刘宝琪.大连海事大学 2016
[3]基于数据驱动的船舶旋转机械故障诊断方法研究及应用[D]. 董晨辰.南京航空航天大学 2016
本文编号：2927802
【文章来源】：贵州大学贵州省 211工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
基于数据驱动的故障诊断结构图
本节引入如图3.1 所示的一个二维不平衡数据集(test dataset,TD)，该数据集的基本参数为：特征数（Attributes）为 3，正负（少多数）类不平衡比（Unbalanced-ratio）为 25:105，正负类标签（Labels）为 1/-1。为了探究特殊样本对上述 4 种采样方式的影响，该数据集含有三个特殊测试点 p4、p5、p6（其中，p4、p5 为正确的样本点但位于正负类边界中，p6为错误的样本点，即可能因为人为错误等因素录入错误的点），其在标准 SVM 分类器下的训练结果如图 3.2 所示,其中支持向量（support vecters）为 50（正类 25 个
图 3.2 数据集 TD 在标准 SVM 分类器下的训练结果同测验数据集的传统过采样算法性能分析过采样算法及其性能分析O 算法简介样算法（RAMO）技术就是通过不断有放回地从少数类中到原始数据集中，最终达到数量上与多数类样本的平衡。间极为有限而很容易导致过拟合。 RAMO-SVM 算法对 TD 进行采样处理据集绝对平衡，本文首先需要利用 RAMO 算法对 TD 中少制 80 个样本，然后将这 80 个样本加入到 TD 数据集中， 分类器进行训练，其训练结果如图 3.3 所示，其中支
【参考文献】：
期刊论文
[1]基于不平衡数据样本特性的新型过采样SVM分类算法[J]. 黄海松,魏建安,康佩栋. 控制与决策. 2018(09)
[2]基于不平衡支持向量数据描述的故障诊断算法[J]. 韩志艳,王健. 计算机工程. 2017(05)
[3]完全互补小波噪声辅助集总经验模态分解[J]. 何刘,丁建明,林建辉,刘新厂. 振动与冲击. 2017(04)
[4]基于EEMD和自相关函数峰态系数的轴承故障诊断方法[J]. 刘永强,李翠省,廖英英. 振动与冲击. 2017(02)
[5]改进LSSVM迁移学习方法的轴承故障诊断[J]. 陈超,沈飞,严如强. 仪器仪表学报. 2017(01)
[6]基于改进随机梯度Boosting算法的软测量建模[J]. 仓文涛,杨慧中. 化工学报. 2017(03)
[7]对朴素贝叶斯分类器的改进[J]. 李楚进,付泽正. 统计与决策. 2016(21)
[8]数据集不均衡下的设备故障程度识别方法研究[J]. 段礼祥,郭晗,王金江. 振动与冲击. 2016(20)
[9]用于不平衡数据分类的模糊支持向量机算法[J]. 鞠哲,曹隽喆,顾宏. 大连理工大学学报. 2016(05)
[10]基于数据驱动的微小故障诊断方法综述[J]. 文成林,吕菲亚,包哲静,刘妹琴. 自动化学报. 2016(09)
博士论文
[1]基于免疫系统的不平衡数据分类方法研究[D]. 艾旭升.苏州大学 2016
[2]基于神经网络的不平衡数据分类方法研究[D]. 杨泽平.华东理工大学 2015
[3]不均衡数据分类方法的研究[D]. 曹鹏.东北大学 2014
硕士论文
[1]基于支持向量机的不平衡数据分类算法研究[D]. 刘东启.浙江大学 2017
[2]基于数据驱动的工业过程故障诊断方法研究[D]. 刘宝琪.大连海事大学 2016
[3]基于数据驱动的船舶旋转机械故障诊断方法研究及应用[D]. 董晨辰.南京航空航天大学 2016
本文编号：2927802
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/2927802.html
