论文部分内容阅读
随着科学技术的飞速发展和市场竞争的日益激烈,工业生产表现出大型化、分布化、高速化、自动化和复杂化等特点。由于这些大型系统一般都是作为能源、石化、冶金以及其他国民经济支柱产业中的关键设备,一旦发生故障,轻则降低生产效率,重则设备停机、生产停顿,有时甚至发生机毁人亡的恶性事故,造成灾难性的后果。所以,有计划、有组织、有针对地对关键设备进行实时监测与诊断,做到尽早地发现设备在运行过程中的各种隐患,从而防止灾难性事故的发生,成为机械设备故障诊断系统面临和解决的首要问题。数据挖掘、信息融合理论以及现代计算机、测试、信号分析处理等技术的发展,为机械设备状态监测与故障诊断提供了一种崭新的解决方案。本文在分析了机械故障诊断的现状、发展趋势以及数据挖掘、信息融合技术对于机械故障诊断的重要性的基础上,主要从事了以下几点研究:(1) Bently转子台模拟故障试验:Bently转子台是一个通用的转子故障模拟试验平台,本文使用的故障诊断数据来自该试验台。本文共模拟转子的5种运行状态,一种为正常状态,另四种为故障状态包括不平衡、碰摩、涡动以及不平衡+碰摩。(2)信息融合包括数据层、特征层和决策层三个层次的融合,数据层融合数据量巨大,计算效率较低。因此,本文首先从特征融合角度,研究利用多特征来提高故障诊断的精度。本文使用的诊断特征有三类,包括时域统计指标(6维)、频域幅值谱(13维)以及时频域小波能量谱(25维),采用PCA进行特征融合。基于Bently转子台的试验数据诊断分析表明,基于PCA的特征融合诊断方法有效地提高了故障诊断的精度。(3)为了有效地利用数据挖掘的先进技术,对数据挖掘中两种分类方法C4.5决策树以及SVM进行了改进。根据Fayyad边界点判定定理,改进了C4.5算法连续属性离散化过程中最优阈值的选择方法,提高了连续属性离散化效率。根据传统SVM的不足,提出一种支持向量机决策树(SVM Decision Tree, SVMDT)分类模型。它解决了“1对1”与“1对多”策略下SVM分类方法的拒识问题,同时它对输出结果进行了的概率赋值,方便了后续的决策融合。在此基础上,以C4.5决策树、SVMDT以及后向传播神经网络(BPNN)作为基本分类方法,分别针对三种特征进行诊断决策,最后采用改进D-S证据合成理论进行决策融合。试验数据的诊断分析表明,基于多特征、多分类器的信息融合方法能够大大提高故障诊断精度。(4)为了确定决策融合时多分类器的选择以及说明多分类器决策融合对于提高诊断精度的有效性,本文从分类器间的差异性角度对多分类器融合进行了研究,同时给出一种有效差异性(Efficient Diversity, ED)度量指标作为分类器选择与融合的依据。有效差异度ED越大说明分类器间的差异性越大,分类器决策融合后对诊断精度的提高越显著。(5)基于数据挖掘的过程模型,结合信息融合思想与方法,设计了一种新的基于数据挖掘与信息融合的知识获取与故障诊断系统框架结构。该系统包括数据采集、数据变换、特征选择、特征融合、单一分类器故障诊断、规则或模型知识表示、决策融合等模块。实验室测试以及某风机监测诊断的现场应用验证了系统设计的有效性。