基于FastAP算法的港口机械故障诊断方法研究
发布时间：2022-01-05 12:38
随着物联网技术的发展,实时监控设备已经广泛应用于港口机械设备的管理中。对设备的实时监控会产生大量反映设备当前运行状态的监控数据。数据挖掘技术因能在大数据中发现有效信息的独特优势,越来越广泛的应用于故障诊断领域。本文运用数据挖掘技术,研究港口机械设备故障诊断方法,为港口机械设备故障诊断提供技术支持。设备故障诊断的关键在于故障特征提取和故障模式识别两个方面。故障特征提取是从监控信号中提取出能表征机械状态特征量的过程;故障模式识别是指根据提取的故障特征,对故障样本进行分类的过程。围绕以上两个关键问题,本文从以下几个方面展开研究工作:（1）本文引入AP聚类算法对海量港口机械监控数据进行聚类分析,获取港口机械不同运行状态的关键信息。利用AP聚类算法不需要预先设置聚类中心个数、聚类结果粒度细的特点,提高故障模式识别的精度。通过压缩和稀疏两个步骤减小相似度矩阵规模的方式,降低了AP聚类算法的时间复杂度。（2）提出了一种基于FastAP算法的故障诊断模型。该模型首先利用集合经验模式分解（Ensemble Empirical Mode Decomposition,EEMD）方法对设备监控数据进行预处理,...
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
机械故障诊断流程图
由以上分析可知，在迭代过程中通过消除不必要的消息交换，可以提高 AP聚类的计算效率。从以往的研究中受到启发，即一个数据点在选择附近的范例时起着重要的作用，而与远离它的范例无关。因此，可以省略距离较远的数据点之间的消息交换。然而，这种思想只考虑局部的相似度信息，而不考虑局部和全局的相似度信息，这就导致了潜在范例的分布不能很好地代表整个数据集的分布，因此出现了聚类算法性能的显著下降。为了克服这个缺点，本文在原始 AP 聚类算法的基础上提出了 FastAP 聚类算法，首先设计一个自下而上的方法来寻找一个具有代表性的潜在范例集合，这样可以确保能找到一个可能成为最终范例集合的可能范例集。通过此方法可以保证最终的范例集不会离真正的最优范例集太远，即聚类算法的性能不会显著下降。2.3 FastAP 聚类算法如图 2-1 所示，为了提高 AP 聚类的计算效率，本文分两步缩小相似度矩阵的尺度：压缩阶段和稀疏阶段。
图 2-2 潜在范例的选择过程图 2-2 给出了一个例子，它说明了 MCM 是如何工作的。例子中样本数据集是一个数据量为 200，服从高斯分布的数据集，数据点在 matlab 仿真平台上随机生成。三角形点代表潜在范例，圆点代表非潜在范例。三角形点与圆点之间的连线表示三角形点是圆点的范例，即三角形点表示簇中心。在第 1 轮迭代过程中，所有数据点都被认为是潜在的范例。在第 5 轮迭代过程后，许多微型簇已经合并在一起。随着迭代次数的增加，微型簇逐渐融合在一起。在第 10 次迭代过程后只剩下 15 个潜在范例，在第 15 次迭代后剩下 5个潜在范例，相应的压缩率分别是 0.075 和 0.025。可以观察到，在仅仅几次迭代之后，潜在范例的数量大大减少。MCM 的目标是快速发现具有代表性的数据点，这些数据点将被选择为潜在的范例。潜在范例集的质量将影响最终的聚类性能。在最坏的情况下，MCM 算法需要 N 1次迭代将N 个对象合并在一起。但是，这种情况在实际应用中很少发生。在大多数情况下，MCM 算法可以快速选择所需数量的潜在范例。在本文
【参考文献】：
期刊论文
[1]敏感SVD和EEMD的故障诊断方法研究[J]. 齐鹏,范玉刚,冯早. 传感器与微系统. 2018(02)
[2]电网故障诊断的研究综述与前景展望[J]. 王守鹏,赵冬梅. 电力系统自动化. 2017(19)
[3]复杂装备轴承多重故障的线性判别分析与反向传播神经网络协作诊断方法[J]. 黄大荣,陈长沙,孙国玺,赵玲,米波. 兵工学报. 2017(08)
[4]大型风力发电机组故障诊断方法综述[J]. 龙霞飞,杨苹,郭红霞,伍席文. 电网技术. 2017(11)
[5]风力发电机组故障诊断与预测技术研究综述[J]. 金晓航,孙毅,单继宏,吴根勇. 仪器仪表学报. 2017(05)
[6]基于模糊神经网络的智能故障诊断专家系统[J]. 司景萍,马继昌,牛家骅,王二毛. 振动与冲击. 2017(04)
[7]EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断[J]. 黄友朋,赵山,许凡,方彦军. 河南科技大学学报(自然科学版). 2017(02)
[8]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)
[9]基于主元分析-概率神经网络的制冷系统故障诊断[J]. 梁晴晴,韩华,崔晓钰,谷波. 化工学报. 2016(03)
[10]基于RQA与GG聚类的滚动轴承故障识别[J]. 张淑清,包红燕,李盼,李新新,姜万录. 中国机械工程. 2015(10)
博士论文
[1]旋转机械故障信号分析及诊断技术研究[D]. 褚东亮.华北电力大学(北京) 2017
[2]基于自适应振动信号处理的旋转机械故障诊断研究[D]. 张超.西安电子科技大学 2012
[3]基于振动信号的机械故障特征提取与诊断研究[D]. 赵志宏.北京交通大学 2012
硕士论文
[1]聚类算法在转子故障诊断中的应用[D]. 刘江炜.西安工业大学 2015
本文编号：3570361
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
机械故障诊断流程图
由以上分析可知，在迭代过程中通过消除不必要的消息交换，可以提高 AP聚类的计算效率。从以往的研究中受到启发，即一个数据点在选择附近的范例时起着重要的作用，而与远离它的范例无关。因此，可以省略距离较远的数据点之间的消息交换。然而，这种思想只考虑局部的相似度信息，而不考虑局部和全局的相似度信息，这就导致了潜在范例的分布不能很好地代表整个数据集的分布，因此出现了聚类算法性能的显著下降。为了克服这个缺点，本文在原始 AP 聚类算法的基础上提出了 FastAP 聚类算法，首先设计一个自下而上的方法来寻找一个具有代表性的潜在范例集合，这样可以确保能找到一个可能成为最终范例集合的可能范例集。通过此方法可以保证最终的范例集不会离真正的最优范例集太远，即聚类算法的性能不会显著下降。2.3 FastAP 聚类算法如图 2-1 所示，为了提高 AP 聚类的计算效率，本文分两步缩小相似度矩阵的尺度：压缩阶段和稀疏阶段。
图 2-2 潜在范例的选择过程图 2-2 给出了一个例子，它说明了 MCM 是如何工作的。例子中样本数据集是一个数据量为 200，服从高斯分布的数据集，数据点在 matlab 仿真平台上随机生成。三角形点代表潜在范例，圆点代表非潜在范例。三角形点与圆点之间的连线表示三角形点是圆点的范例，即三角形点表示簇中心。在第 1 轮迭代过程中，所有数据点都被认为是潜在的范例。在第 5 轮迭代过程后，许多微型簇已经合并在一起。随着迭代次数的增加，微型簇逐渐融合在一起。在第 10 次迭代过程后只剩下 15 个潜在范例，在第 15 次迭代后剩下 5个潜在范例，相应的压缩率分别是 0.075 和 0.025。可以观察到，在仅仅几次迭代之后，潜在范例的数量大大减少。MCM 的目标是快速发现具有代表性的数据点，这些数据点将被选择为潜在的范例。潜在范例集的质量将影响最终的聚类性能。在最坏的情况下，MCM 算法需要 N 1次迭代将N 个对象合并在一起。但是，这种情况在实际应用中很少发生。在大多数情况下，MCM 算法可以快速选择所需数量的潜在范例。在本文
【参考文献】：
期刊论文
[1]敏感SVD和EEMD的故障诊断方法研究[J]. 齐鹏,范玉刚,冯早. 传感器与微系统. 2018(02)
[2]电网故障诊断的研究综述与前景展望[J]. 王守鹏,赵冬梅. 电力系统自动化. 2017(19)
[3]复杂装备轴承多重故障的线性判别分析与反向传播神经网络协作诊断方法[J]. 黄大荣,陈长沙,孙国玺,赵玲,米波. 兵工学报. 2017(08)
[4]大型风力发电机组故障诊断方法综述[J]. 龙霞飞,杨苹,郭红霞,伍席文. 电网技术. 2017(11)
[5]风力发电机组故障诊断与预测技术研究综述[J]. 金晓航,孙毅,单继宏,吴根勇. 仪器仪表学报. 2017(05)
[6]基于模糊神经网络的智能故障诊断专家系统[J]. 司景萍,马继昌,牛家骅,王二毛. 振动与冲击. 2017(04)
[7]EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断[J]. 黄友朋,赵山,许凡,方彦军. 河南科技大学学报(自然科学版). 2017(02)
[8]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)
[9]基于主元分析-概率神经网络的制冷系统故障诊断[J]. 梁晴晴,韩华,崔晓钰,谷波. 化工学报. 2016(03)
[10]基于RQA与GG聚类的滚动轴承故障识别[J]. 张淑清,包红燕,李盼,李新新,姜万录. 中国机械工程. 2015(10)
博士论文
[1]旋转机械故障信号分析及诊断技术研究[D]. 褚东亮.华北电力大学(北京) 2017
[2]基于自适应振动信号处理的旋转机械故障诊断研究[D]. 张超.西安电子科技大学 2012
[3]基于振动信号的机械故障特征提取与诊断研究[D]. 赵志宏.北京交通大学 2012
硕士论文
[1]聚类算法在转子故障诊断中的应用[D]. 刘江炜.西安工业大学 2015
本文编号：3570361
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3570361.html
