基于数据驱动增量融合的螺旋式故障诊断方法研究

发布时间：2023-04-22 21:28

　　近年来,信息技术和工业物联网的高速发展推动了制造业革命性的创新和突破。以德国“工业4.0”为代表,多个国家相继推出多种措施吸引制造业回流,提升制造业智能化水平。我国作为全球制造业中心,提出实施制造强国战略第一个十年的行动纲领《中国制造2025》,加快推进智能制造,这是落实两化深度融合、打造制造强国的战略举措,更是我国制造业紧跟世界发展趋势、实现转型升级的关键所在。可见,运用大数据等先进技术理念,推动智能制造发展,已成为大势所趋。随着信息技术与智能技术的深度融合,获取大型机械装备在生产过程中不断涌现的海量运行数据变得更为容易,使得借助大数据分析方法对故障类型进行有效诊断和预测成为智能制造领域的研究热点。但面对海量的新增运行数据,传统的机器学习方法无法满足实时处理需求,且装备的状态和属性会随时间变化而发生改变,新增数据的潜在信息对装备当前状态和未来运行趋势有更重要的价值。增量学习虽然能够在保存大部分已经学习到知识的同时,不断地从新数据中学习新的知识。但在故障诊断领域,增量生成的数据流具有海量、非平衡、高噪声、强因果关联等特点,如不加以处理将会严重影响诊断效果。针对上述问题,本研究根据机械装...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 装备故障诊断的研究现状
        1.2.2 增量学习的研究现状
        1.2.3 非平衡数据处理的研究现状
    1.3 本文工作和贡献
        1.3.1 研究内容
        1.3.2 创新点
    1.4 本文结构安排
第二章 相关理论基础
    2.1 增量学习
    2.2 非平衡数据处理
        2.2.1 反向K近邻与K近邻
        2.2.2 合成少数类过采样技术
    2.3 深度学习
        2.3.1 自动编码器
        2.3.2 去噪自动编码器
    2.4 本章小结
第三章 基于增量融合的动态深度学习模型
    3.1 动态融合增量学习
        3.1.1 模式相似度计算
        3.1.2 模式增量与合并原则
        3.1.3 动态融合权重计算
        3.1.4 基于动态融合的增量学习
    3.2 基于增量融合的动态深度学习模型
        3.2.1 模型结构
        3.2.2 模型流程
    3.3 具体实现
    3.4 本章小结
第四章 基于数据驱动增量融合的螺旋式故障诊断方法
    4.1 非平衡数据处理
        4.1.1 基于反向K近邻的多数类欠采样算法
        4.1.2 基于K近邻的少数类过采样算法
        4.1.3 基于划分近邻的重采样模型
    4.2 特征提取及分类
    4.3 有效实例选择
    4.4 特征和实例动态评价
        4.4.1 特征动态遗忘权重
        4.4.2 实例动态遗忘权重
    4.5 基于数据驱动增量融合的螺旋式方法
    4.6 具体实现
    4.7 本章小结
第五章 故障诊断实验结果及分析
    5.1 数据描述
    5.2 模型参数与结构
        5.2.1 IMDDL模型
        5.2.2 IMH方法
            5.2.2.1 非平衡数据处理中的k值
            5.2.2.2 分类模型结构
    5.3 结果分析
        5.3.1 IMDDL模型性能分析
        5.3.2 IMH方法性能分析
            5.3.2.1 非平衡数据处理性能
            5.3.2.2 增量学习性能
        5.3.3 IMDDL模型与IMH方法性能比较
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间所取得的相关科研成果
致谢



本文编号：3798428