数据挖掘在旋转机械故障诊断中的应用研究

大连理工大学硕士学位论文数据挖掘在旋转机械故障诊断中的应用研究姓名：侯捷申请学位级别：硕士专业：机械电子工程指导教师：张志新20071223数据挖掘在旋转机械故障诊断中的应用研究作者：侯捷学位授予单位：大连理工大学相似文献(10条)1.期刊论文何春芳.傅成华.郭辉基于数据挖掘与仿真的数控机床旋转部件故障诊断方法研究-科技信息（学术版）2007,(24)针对数控机床旋转部件故障信息的特点,提出了系统仿真与数据挖掘相结合的综合故障诊断方法.文中将旋转部件故障归为4类,提出了一种改进的Apriori算法,结合粗糙集理论的数据挖掘方法,通过实例证明了两者应用在数控机床系统旋转部件故障诊断中,可以提高数据挖掘的速度.分析了基于仿真的故障诊断方法,在此基础上,结合仿真与数据挖掘各自在故障诊断方面的优势,进一步提出了基于仿真与数据挖掘的综合诊断方法,给出了诊断的方法流程图.2.学位论文辛旭明基于过程监控的数据挖掘系统及其应用2003该课题对工业过程故障诊断进行研究和探索.随着计算机与网络信息技术的发展,故障诊断中采集的数据急剧增加,因而将数据挖掘技术应用于故障诊断中.为此,该文提出了基于故障诊断的数据挖掘系统.基于故障诊断的数据挖掘系统,既是一个数据挖掘系统,又必须满足故障诊断的特殊性.基于故障诊断的数据挖掘系统针对故障诊断提供解决方案.该系统以粗集为关键技术.从实际中获得的数据常常包含噪声,存在不确定因素和不完整信息.运用纯数学上的假设来消除不确定性,往往效果不理想.粗集作为数据挖掘方法的一种,是一种处理不精确或不完整信息的强有力数学工具,在故障诊断中的应用是一个新的研究方向.粗集能从大量数据中挖掘出有用知识,所以能有效地应用于故障诊断,并且可以克服以往存在的知识获取瓶颈.在设计算法的时候,充分考虑到故障诊断的数据和需求的特殊性,并作了优化.引入规则的置信度和支持度,提出了在故障诊断中的基于粗集的数据挖掘算法,提出了在故障诊断中的时态信息系统转换为信息系统的方法.使用数据库连接池技术.连接池技术尽可能多的重用了消耗内存的资源,大大了省了内存,提高了程序效率,同时,通过其自身的管理机制来监视数据库的连接数量、使用情况等.该系统以粗集为关键技术,采用适合故障诊断的算法,从现有的故障诊断的数据出发,能有效地处理不完备数据、不一致数据,实现提取诊断规则的目的,高效快速地导出故障诊断规则.该文论述了粗集基本理论、扩展理论及时间序列数据的处理方法,提出了基于故障诊断的具体算法,并介绍了基于故障诊断的数据挖掘系统结构及功能,最后将系统应用于机械故障诊断.3.期刊论文张素兰.胡骏.ZHANGSu-lan.HUJun基于仿真与数据挖掘的故障诊断方法研究-计算机仿真2007,24(1)针对导弹武器系统故障信息的特点,提出了系统仿真与数据挖掘相结合的综合故障诊断方法.文中将导弹武器系统故障检测信息分为3类,即:离散交互特征信息、连续动态特征信息和离散事件特征信息.通过实例阐述了数据挖掘在导弹武器系统故障诊断中的应用.分析了基于仿真的故障诊断方法,在此基础上,结合仿真与数据挖掘各自在故障诊断方面的优势,进一步提出了基于仿真与数据挖掘的综合诊断方法,给出了方法的步骤和诊断流程.4.学位论文万鹏机械故障诊断中基于神经网络的数据挖掘方法研究2006随着生产的发展，机械故障诊断的重要性越来越明显。传统的诊断技术和理论方法对于具有多故障、多过程、突发性故障的现代化机械设备，往往显示出较大的局限性，难以从大量的故障信息中发现原因和准确地诊断机械故障。而数据挖掘是从大型数据库或数据仓库中发现并提取隐藏在其中的信息的一种新技术，它能从数据仓库中自动分析数据，进行归纳性推理，从中挖掘出潜在的模式；或者产生联想，建立新的业务模型，帮助决策者做出正确的决策。数据挖掘研究和实践表明：知识就隐藏在日常积累下来的大量数据之中，然而仅靠复杂的算法和推理并不能发现知识。人工智能技术，特别是神经网络技术与数据挖掘的结合为机械故障诊断的研究指出了一条新的道路。首先，本文对机械故障诊断、数据挖掘的研究现状、发展趋势及应用领域进行了综述，阐述了数据挖掘、神经网络的基本概念、基本模型和实现方法。其次，针对数据挖掘具体的研究内容，提出并实现了神经网络数据挖掘中的数据准备的一般处理方法和基于自组织神经网络的聚类分析的模型和算法，并对算法进行了改进。最后，根据基于神经网络数据挖掘的研究成果，进行了轴承和齿轮的故障诊断研究。研究内容主要包括：问题定义、数据准备和预处理、数据挖掘，以及结果的解释和评估。首先通过传感器测得轴承及齿轮在正常和非正常状态下的信号；然后对所得数据进行归一化；考虑到数据比较庞大，利用曲元分析进行降维；再利用自组织神经网络进行训练，网络对不同状态下的输入具有明显不同的输出。文中利用MATLAB神经网络工具箱来实现上述算法。实例仿真表明，这个算法可以快速正确地提取出轴承与齿轮故障特征值，并通过聚类算法完成轴承与齿轮的故障诊断。基于神经网络数据挖掘方法为机械故障诊断提供了新的思路，它与一般数据挖掘方法相比较，在信息处理能力和表示能力方面有较大提高。5.会议论文陈进.伍星数据挖掘在工业设备状态监测和故障诊断中的应用2002本文从工业设备状态监测和故障诊断与数据挖掘之间的相互关系出发,在全面地介绍数据挖掘的起源、发展、功能和相关产品的基础之上,重点讨论了它在特征提取、状态识别、诊断决策等与工业设备状态监测和故障诊断相关领域中的应用,指出将数据挖掘应用于工业设备状态监测和故障诊断领域具有重要的研究价值和实际应用意义.6.学位论文孙卫祥基于数据挖掘与信息融合的故障诊断方法研究2007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(SVMDecisionTree,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.振动、冲击、噪声国家重点实验室.(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(EfficientDiversity,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.7.期刊论文宋长新.吴晓明.SONGChang-xin.WUXiao-ming工业锅炉故障诊断的改进数据挖掘方法-微计算机信息2009,25(19)针对工业锅炉的常见故障,提出了一种基于数据挖掘方法的锅炉故障诊断技术.通过建立一个智能化的数据挖掘工具,直接从大量实时数据中获取故障诊断知识进行故障诊断.数据挖掘工具的核心是采用信息熵技术来辅助遗传算法初始种群的生成.遗传算法和信息熵的有效集成,极大地提高了该数据挖掘方法的工作绩效.将本方法应用于火电厂锅炉的一个复杂故障事例,结果表明其诊断的精度可以满足现场应用的要求.8.学位论文侯澍旻时序数据挖掘及其在故障诊断中的应用研究2006数据挖掘是一个复杂的过程，而针对时间序列具有维数高和动态性等特点，如何高效地对时间序列数据进行挖掘是一个十分有意义的研究课题。本文对时间序列数据非线性检验、降噪、分割等数据挖掘中的预处理工作进行了研究，并将时间序列数据挖掘技术引入机械故障诊断领域；通过应用实例，验证了这些方法和理论。论文主要完成工作如下：1)时间序列数据非线性检验研究提出了一种随机迭代修正幅值的傅立叶变换(SIAFFT)算法和KS检验统计量相结合的时间序列数据非线性检验方法，通过对弱非线性信号、强非线性信号以及含噪信号的检验，该方法均能得到正确的判断结果。与传统方法相比，该方法收敛速度快，具有较强的抗噪声能力，对非线性信号具有较高的敏感性。2)全局投影算法用于降噪和故障特征提取全局投影降噪算法具有良好的适用性，运算效率和降噪效果明显优于局部投影降噪算法。将全局投影算法应用于转子轴心轨迹的提纯，比基于谐波小波等的轴心轨迹提纯方法运算效率高得多。将全局投影降噪算法和共振解调技术相结合，提出了一种适用于低速重载轴承故障诊断的方法。利用此方法对某炼钢厂转炉倾动机构悬挂齿轮箱耳轴轴承进行故障诊断，诊断结果与实际情况相符。3)基于GG聚类的时间序列数据分割方法针对传统时间序列分割算法的不足，提出了一种基于GG聚类在线数据分割算法。该算法具有自合并功能，能不借助相关领域专家的支持自动寻找最优的分割子集数，是一种有工程应用价值的数据在线分割方法。4)基于KS检验的时序数据分类挖掘系统提出了一种基于KS检验的时序数据分类挖掘方法，在此方法基础上，建立了故障分类系统。通过仿真试验和齿轮及轴承的故障诊断，说明该方法在数据样本含有一定噪声时也能正确判断故障类型。该方法算法简单、计算效率高、实用性强，在机械故障智能诊断领域具有广泛的应用前景和推广价值。5)改进型支持向量机(ES-SVM)用于时间序列数据趋势预测将传统的基于支持向量机的时间序列预测方法进行改进，采用进化策略法搜索惩罚因子C，ε不敏感损失函数和高斯核参数σ。Lorenz信号的数值仿真实验预测结果证明改进后的ES-SVM算法比原SVM算法的预测精度更高。另外，由于在工程实际中所拾取的信号不可避免地会含有噪声，因此，将全局投影算法和ES-SVM相结合的预测方法具有更大的工程应用价值。6)构建基于时序数据挖掘的远程监测与诊断系统作为时序数据挖掘应用的重要组成部分，本文以机械在线监测系统为对象，对数据仓库结构、数据类型进行了探讨：并