基于数据挖掘的故障诊断方法研究
【摘要】：科学技术飞速发展,现代化的大型设备也趋向于结构复杂化,多功能化方向发展,同时竞争的激烈对设备的精度要求也越来越高。一旦发生故障,引起的链锁反应会迫使整个的生产处于停滞状态。传统的定期维护维修的方式已经明显落后,对故障的发现不及时往往会影响日常工作,严重的会造成人员伤亡,和重大的经济损失,甚至带来灾难性的后果。因此对故障的诊断和预测已经引起了社会各个领域的广泛关注。二十世纪末刚刚兴起的数据挖掘技术,作为一种智能的数据分析技术,已经广泛应用于很多领域。数据挖掘能够从大量的数据中挖掘出有用或潜在有用的,含有大量信息的知识,并生成规则或规律。
首先,本文针对型钢加工设备在运行过程中,由于电机故障引起的异常振动信息进行研究。对电机故障中的转子不平衡、转子不对中和动静碰磨三种常见类型的电机故障做了简单分析,并通过频域分析得到了特征信号构成的训练样本数据集。
然后,本论文重点研究了数据挖掘的分类算法在故障诊断中的应用。基于数据挖掘的故障诊断方法,实际是一个将故障信号归纳分类的过程。根据故障信号的频谱特征来提取特征频率,对故障信号进行分类,并通过分类生成规则。本课题选择了决策树作为分类方法,因为决策树通过对小数据集的训练样本进行学习,可以生成容易理解的规则,且算法的时间很短,更加适合应用在实际系统中。由于训练样本中存在大量的冗余,因此本课题在对故障样本进行分类前,采用了粗糙集理论中的可辨识矩阵方法对属性进行约简。可辨识矩阵的主要思想是：通过构建的可辨识矩阵推导出合取范式结构的可辨识函数,然后将合取范式转换成析取范式,析取范式中的每一个合取式就是这个系统的一个知识约简。对约简后的故障样本集再利用决策树进行分类,降低了计算的复杂度。生成的规则也更加简洁。
最后,阐述了本课题的诊断平台。系统的诊断平台采用了三层C/S架构,将应用功能分为表示层、功能层和数据层三部分,并对三层进行了明确分割,保持了其在逻辑上的独立,从而保证了诊断系统进行功能扩展的灵活性。通过将未知分类的故障数据存储到服务器中,并根据新的故障数据对规则进行修改,从而实现故障信号的准确分类。对振动信号进行的有效的实时监测,可以及时发现故障产生的异常信息,提前做出相应的决策,杜绝重大事故的发生。
本课题的创新之处在于把可辨识矩阵的属性约简算法与决策树的分类算法相结合应用到生成故障信息的分类规则过程中。实验证明,属性约简后生成的决策树提高了系统的潜在知识的清晰度。通过减少信息系统的条件属性,大大压缩了数据库的信息量,摆脱了繁杂数据带来的困扰,为高效的知识发现打下了良好的基础。
【关键词】：数据挖掘 故障诊断 粗糙集 可辨识矩阵 决策树 【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2011
【分类号】：TM507;TP311.13
【目录】：
- 摘要3-5
- ABSTRACT5-11
- 图表索引11-13
- 第一章 绪论13-25
- 1.1 课题背景及研究意义13-14
- 1.1.1 课题背景13-14
- 1.1.2 研究意义14
- 1.2 故障诊断技术的研究现状及发展趋势14-22
- 1.2.1 传统诊断技术14-15
- 1.2.2 智能诊断技术15-20
- 1.2.3 远程诊断技术20-21
- 1.2.4 发展趋势21-22
- 1.3 数据挖掘在故障诊断中的应用22-23
- 1.4 本文研究内容23-25
- 第二章 振动的故障机理和诊断方法25-35
- 2.1 伺服电机的振动故障分析25-30
- 2.1.1 振动故障原因分析26-27
- 2.1.2 振动故障常用检测方法27-28
- 2.1.3 振动故障的分类28-30
- 2.2 故障信号分析30-33
- 2.2.1 振动信号的时域分析30-32
- 2.2.2 振动信号的频域分析32-33
- 2.3 故障诊断的一般过程33-34
- 2.4 本章小结34-35
- 第三章 数据挖掘技术35-47
- 3.1 数据挖掘技术概念及特点35-37
- 3.2 数据挖掘组成37-38
- 3.3 数据挖掘功能38-40
- 3.3.1 概念描述38
- 3.3.2 关联分析38-39
- 3.3.3 分类与预测39-40
- 3.3.4 聚类分析40
- 3.3.5 异类分析40
- 3.4 数据挖掘过程40-43
- 3.4.1 数据准备40-42
- 3.4.2 数据挖掘42
- 3.4.3 解释评价42-43
- 3.5 数据挖掘常用技术43-44
- 3.6 数据挖掘常用工具44-45
- 3.7 本章小结45-47
- 第四章 数据挖掘分类在故障诊断系统中的应用47-75
- 4.1 数据挖掘的分类47-49
- 4.2 基于粗集理论的属性约简49-55
- 4.2.1 粗集理论简介49-51
- 4.2.2 属性约简51-53
- 4.2.3 可辨识矩阵53
- 4.2.4 可辨识矩阵的属性约简的一般方法53-55
- 4.3 决策树55-62
- 4.3.1 决策树分类55
- 4.3.2 决策树基本概念55-56
- 4.3.3 决策树生成算法56-58
- 4.3.4 树枝修剪58-59
- 4.3.5 ID3算法59-60
- 4.3.6 C4.5算法60-61
- 4.3.7 其他决策树的算法61-62
- 4.4 基于粗糙集理论和决策树的振动故障诊断设计62-72
- 4.4.1 系统目标62
- 4.4.2 数据准备62
- 4.4.3 频域下样本生成决策树62-65
- 4.4.4 直接构造决策树65-72
- 4.4.5 属性约简后的数据集进行决策树构造72
- 4.5 本章小结72-75
- 第五章 远程故障诊断平台的实现75-83
- 5.1 系统的架构75-78
- 5.2 系统功能78-79
- 5.3 系统诊断流程79-81
- 5.3.1 样本数据维护79-80
- 5.3.2 故障诊断流程80-81
- 5.4 本章小结81-83
- 第六章 总结与展望83-85
- 6.1 总结83-84
- 6.2 展望84-85
- 参考文献85-89
- 致谢89-91
- 攻读硕士学位期间发表的论文91
|
|
|
|
| 1 |
庞倩超;王晏民;;基于粗糙集的数据挖掘[J];北京建筑工程学院学报;2005年04期 |
| 2 |
周颖,郑德玲,位耀光,付冬梅;一种基于生物免疫原理的识别算法[J];北京科技大学学报;2004年04期 |
| 3 |
周志逵,徐先传;数据仓库中数据抽取、转换及加载工具研究[J];北京理工大学学报;2003年06期 |
| 4 |
刘文军,王加银,冯艳宾,谷云东,李洪兴;一种求粗糙集中最小属性约简的新算法[J];北京师范大学学报(自然科学版);2004年01期 |
| 5 |
李文霞,兰华,王春英;基于互功率谱的异步电动机转子故障征兆提取[J];东北电力学院学报;2003年04期 |
| 6 |
窦玉琴,付立军,杨秉寿;微机在线监测鼠笼型异步电动机转子的故障[J];电工电能新技术;1993年01期 |
| 7 |
姜建国;汪庆生;杨秉寿;邱阿瑞;;用自适应方法提取鼠笼式异步电机转子断条的特征分量[J];电工技术学报;1990年04期 |
| 8 |
任震,胡国胜,黄雯莹,朱锋峰;基于线调频小波变换的电机故障信号消噪方法[J];电工技术学报;2002年03期 |
| 9 |
杨江云,李蓓智,杨建国,毛志敏;人工免疫机理在故障诊断中的应用[J];东华大学学报(自然科学版);2004年01期 |
| 10 |
冷军发,荆双喜,李臻;基于小波分析的电机故障诊断研究[J];大电机技术;2003年05期 |
|
快捷付款方式
订购知网充值卡
订购热线
帮助中心