函数型数据分析研究及其在齿轮箱的故障诊断和发动机的寿命预测
发布时间：2022-01-22 01:47
对设备进行分析最重要的是对设备故障的分析和对性能退化建模两个部分,本文应用函数型数据分析作为研究方法,对设备进行以上的研究。函数型数据分析是把原始数据视为一个整体,然后从整体的角度对数据进行分析。其具有的外在条件依赖性、可对不同维度数据分析以及可对数据从不同角度进行深层次分析等特点,弥补了传统数据分析中的不足,这体现出其具有很好的研究价值。设备的状态监测首先是对原始信号进行分析,但目前的信号分析只是在原始信号的基础上对其进行分析,原始信号离散等特点给数据分析造成了一定的困难。因此,本文结合函数型数据分析的思想,对设备的状态监测提出一些新的方法,具体如下:（1）提出了一种基于函数型主成分分析及核极限学习机的故障诊断方法。针对目前数据诊断中准确率及鲁棒性较低的问题,利用函数型数据分析具有较高鲁棒性的特点,本文首先用函数型主成分分析提取数据中的主成分,再利用核极限学习机作为分类器,对数据进行分类,判别出故障类别。通过实验表明,该方法优于传统判别方法。（2）提出一种基函数型数据分析的退化建模方法。在对设备性能衰退的分析后,利用函数型数据分析整体化的特点,对所有数据进行函数拟合,并应用函数型主成...
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
化工事故统计
内蒙古科技大学硕士学位论文-17-3极限学习机极限学习机（ExtremeLearningMachine,ELM）是人工神经网络领域中一种新型的算法，是单隐层前馈神经网络更深层次的研究，通过大量增加随机参数的隐藏层神经元来减少传统神经网络需要调整过多参数的问题，使得需要通过训练进行调整的参数减少为一个，并且在求解过程中使用解析求解法一次求得全局最优的参数，避免了局部值的情况。3.1极限学习机3.1.1理论知识极限学习机是Huang教授提出的一种特殊的单隐层前馈神经网络，其仅有一个隐含层，后来将它延伸到通用的单隐层前馈神经网络，结构如图（3.1）所示。如图可以看出对于N个样本iiyx,，其中网络输入层为Tniniii,,,Rxxxx21，网络输出层为Tmimiii,,,Ryyyy21，对于具有L个隐含层节点的单隐层前馈性神经网络可表示为：NjyxgjLiijii,,1,,,1（式3.1）式中，Tininini,,,是表示第i个隐含节点和输入层节点之间的权值向量，i是第i个隐含节点的阈值；Timinini,,,为网络中隐含层节点和输出层节点之间的权重向量；xg为隐含层中的激励函数，是向量内积。图3.1ELM示意图通过分析可将式（3.1）用矩阵表达为：
内蒙古科技大学硕士学位论文-19-(3)通过公式（3.5）解得输出权值矩阵；3.1.2核学习理论知识引入核函数原理到极限学习机中，使其具有参数少、收敛速度快、泛化性好等特点。但首先介绍核学习机的原理，结构如图（3.2）所示。图3.2核学习其中，通过数据采集到未知分布且相互独立的原始信息，然后通过数据训练的数据模型，最后利用核学习机来构造一个适当函数来逼近数据模型。(1)正则化现实中存在的不适应性通常由一组线性方程来表示，但由于方程系数的变化会使方程存在多个解，这不利于结果分析，因此在1963年Tikhonov提出了正则化理论（RegularizationTheory），用于解决不适应性问题，如式（3.8）所示：fxfyLiii,（式3.8）其中，iiixfyL,为线性方程，f是范函数，为惩罚系数。当为某个常数时，f则是关于f的范函数。正则化表明，当人为加入某些先验信息时，限定参数范围，缩小了解的空间，这样就可以稳定的逼近问题的解。(2)核学习原理若已知某个学习算法是基于学习准则，则我们构造一个分类函数，且在构造过程中只涉及到样本点之间的点积运算，那么我们就可以通过引入核函数，将样本从向量空间映射到高维特征空间中，通过构造其相应的核方法来解决[91]。我们称被映射的高维空间为核空间，其定义可表示为：fFtHffCft,（式3.9）
【参考文献】：
期刊论文
[1]卷积神经网络和峭度在轴承故障诊断中的应用[J]. 李俊,刘永葆,余又红. 航空动力学报. 2019(11)
[2]基于ABC-BP神经网络预测钢筋锈蚀程度[J]. 刘斌云,王鑫,万其微. 合成材料老化与应用. 2019(05)
[3]基于AFSA-BP算法的模糊PID控制器在DMF回收系统中的应用[J]. 王华强,张博扬. 测控技术. 2019(10)
[4]蝙蝠算法优化极限学习机的滚动轴承故障分类[J]. 覃爱淞,吕运容,张清华,胡勤,孙国玺. 计算机测量与控制. 2019(05)
[5]基于性能退化的数控机床剩余寿命预测[J]. 邓超,陶志奎,吴军,钱有胜,夏爽. 机械工程学报. 2018(17)
[6]基于DGA的粗糙集与人工鱼群极限学习机的变压器故障诊断[J]. 雷帆,高波,袁海满,吴广宁,段宗超. 高压电器. 2017(10)
[7]双时间尺度下的设备随机退化建模与剩余寿命预测方法[J]. 张正新,胡昌华,司小胜,张伟. 自动化学报. 2017(10)
[8]基于监督学习的核拉普拉斯特征映射的FCM算法[J]. 马莉,杜小荣. 工业仪表与自动化装置. 2016(04)
[9]函数型数据分类中的稳健主成分分析[J]. 孟银凤,梁吉业. 小型微型计算机系统. 2016(07)
[10]基于遗传算法改进极限学习机的变压器故障诊断[J]. 吕忠,周强,周琨,陈立,申双葵. 高压电器. 2015(08)
博士论文
[1]核极限学习机的理论与算法及其在图像处理中的应用[D]. 李小冬.浙江大学 2014
[2]复杂系统的故障诊断及容错控制研究[D]. 袁侃.南京航空航天大学 2010
[3]复杂装备诊断维护系统关键技术研究[D]. 费胜巍.南京理工大学 2007
硕士论文
[1]基于主成分分析改进算法的人脸识别研究[D]. 丁碧薇.山东师范大学 2019
[2]基于极限学习机的分类问题研究与应用[D]. 王博林.辽宁师范大学 2018
本文编号：3601335
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
化工事故统计
内蒙古科技大学硕士学位论文-17-3极限学习机极限学习机（ExtremeLearningMachine,ELM）是人工神经网络领域中一种新型的算法，是单隐层前馈神经网络更深层次的研究，通过大量增加随机参数的隐藏层神经元来减少传统神经网络需要调整过多参数的问题，使得需要通过训练进行调整的参数减少为一个，并且在求解过程中使用解析求解法一次求得全局最优的参数，避免了局部值的情况。3.1极限学习机3.1.1理论知识极限学习机是Huang教授提出的一种特殊的单隐层前馈神经网络，其仅有一个隐含层，后来将它延伸到通用的单隐层前馈神经网络，结构如图（3.1）所示。如图可以看出对于N个样本iiyx,，其中网络输入层为Tniniii,,,Rxxxx21，网络输出层为Tmimiii,,,Ryyyy21，对于具有L个隐含层节点的单隐层前馈性神经网络可表示为：NjyxgjLiijii,,1,,,1（式3.1）式中，Tininini,,,是表示第i个隐含节点和输入层节点之间的权值向量，i是第i个隐含节点的阈值；Timinini,,,为网络中隐含层节点和输出层节点之间的权重向量；xg为隐含层中的激励函数，是向量内积。图3.1ELM示意图通过分析可将式（3.1）用矩阵表达为：
内蒙古科技大学硕士学位论文-19-(3)通过公式（3.5）解得输出权值矩阵；3.1.2核学习理论知识引入核函数原理到极限学习机中，使其具有参数少、收敛速度快、泛化性好等特点。但首先介绍核学习机的原理，结构如图（3.2）所示。图3.2核学习其中，通过数据采集到未知分布且相互独立的原始信息，然后通过数据训练的数据模型，最后利用核学习机来构造一个适当函数来逼近数据模型。(1)正则化现实中存在的不适应性通常由一组线性方程来表示，但由于方程系数的变化会使方程存在多个解，这不利于结果分析，因此在1963年Tikhonov提出了正则化理论（RegularizationTheory），用于解决不适应性问题，如式（3.8）所示：fxfyLiii,（式3.8）其中，iiixfyL,为线性方程，f是范函数，为惩罚系数。当为某个常数时，f则是关于f的范函数。正则化表明，当人为加入某些先验信息时，限定参数范围，缩小了解的空间，这样就可以稳定的逼近问题的解。(2)核学习原理若已知某个学习算法是基于学习准则，则我们构造一个分类函数，且在构造过程中只涉及到样本点之间的点积运算，那么我们就可以通过引入核函数，将样本从向量空间映射到高维特征空间中，通过构造其相应的核方法来解决[91]。我们称被映射的高维空间为核空间，其定义可表示为：fFtHffCft,（式3.9）
【参考文献】：
期刊论文
[1]卷积神经网络和峭度在轴承故障诊断中的应用[J]. 李俊,刘永葆,余又红. 航空动力学报. 2019(11)
[2]基于ABC-BP神经网络预测钢筋锈蚀程度[J]. 刘斌云,王鑫,万其微. 合成材料老化与应用. 2019(05)
[3]基于AFSA-BP算法的模糊PID控制器在DMF回收系统中的应用[J]. 王华强,张博扬. 测控技术. 2019(10)
[4]蝙蝠算法优化极限学习机的滚动轴承故障分类[J]. 覃爱淞,吕运容,张清华,胡勤,孙国玺. 计算机测量与控制. 2019(05)
[5]基于性能退化的数控机床剩余寿命预测[J]. 邓超,陶志奎,吴军,钱有胜,夏爽. 机械工程学报. 2018(17)
[6]基于DGA的粗糙集与人工鱼群极限学习机的变压器故障诊断[J]. 雷帆,高波,袁海满,吴广宁,段宗超. 高压电器. 2017(10)
[7]双时间尺度下的设备随机退化建模与剩余寿命预测方法[J]. 张正新,胡昌华,司小胜,张伟. 自动化学报. 2017(10)
[8]基于监督学习的核拉普拉斯特征映射的FCM算法[J]. 马莉,杜小荣. 工业仪表与自动化装置. 2016(04)
[9]函数型数据分类中的稳健主成分分析[J]. 孟银凤,梁吉业. 小型微型计算机系统. 2016(07)
[10]基于遗传算法改进极限学习机的变压器故障诊断[J]. 吕忠,周强,周琨,陈立,申双葵. 高压电器. 2015(08)
博士论文
[1]核极限学习机的理论与算法及其在图像处理中的应用[D]. 李小冬.浙江大学 2014
[2]复杂系统的故障诊断及容错控制研究[D]. 袁侃.南京航空航天大学 2010
[3]复杂装备诊断维护系统关键技术研究[D]. 费胜巍.南京理工大学 2007
硕士论文
[1]基于主成分分析改进算法的人脸识别研究[D]. 丁碧薇.山东师范大学 2019
[2]基于极限学习机的分类问题研究与应用[D]. 王博林.辽宁师范大学 2018
本文编号：3601335
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3601335.html
