隨著現(xiàn)代設(shè)備的復(fù)雜化和大型化,系統(tǒng)的異常檢測(cè)和故障診斷一直是學(xué)術(shù)界關(guān)注的重點(diǎn)問(wèn)題。若不能及時(shí)發(fā)現(xiàn)并處理系統(tǒng)故障,將造成巨大的人員傷亡和經(jīng)濟(jì)損失。如果能及時(shí)檢測(cè)出早期故障并隔離報(bào)警,將有效避免異常事故的發(fā)生。因此,對(duì)復(fù)雜系統(tǒng)進(jìn)行合理的故障診斷成為關(guān)鍵手段。目前故障診斷的研究熱點(diǎn)主要為基于智能學(xué)習(xí)方法的數(shù)據(jù)驅(qū)動(dòng)故障診斷方法,但是傳統(tǒng)的智能學(xué)習(xí)方法尚不能充分挖掘數(shù)據(jù)中隱含故障特征信息,存在逼近精度不足的問(wèn)題,且故障診斷模型中參數(shù)不確定性的情況大量存在,導(dǎo)致故障診斷精度波動(dòng)大及精度不夠的問(wèn)題。為此,本文從故障診斷的特征提取角度及智能故障診斷模型構(gòu)建角度,分別提出基于機(jī)器學(xué)習(xí)算法的隱含故障特征提取方法以及集成多種機(jī)器學(xué)習(xí)算法的故障診斷模型,以提高故障診斷的精度�；赨CI機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)中的數(shù)據(jù)集對(duì)上述方法及模型進(jìn)行了分析驗(yàn)證,并通過(guò)注塑機(jī)拉桿的故障診斷實(shí)例來(lái)驗(yàn)證所提方法的有效性。本文的主要工作如下:（1）提出基于極限梯度提升（eXtreme Gradient Boosting,XGBoost）算法的隱含故障特征提取方法。研究此方法的深層次特征提取能力,并分析使用提取的隱含故障特征前后所構(gòu)建的支持... 

【文章來(lái)源】：浙江工業(yè)大學(xué)浙江省

【文章頁(yè)數(shù)】：97 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

故障診斷方法分類[9]

圖 1-2 基于人工智能技術(shù)的故障診斷基本過(guò)程igure 1-2. Basic process of fault diagnosis based on artificial intelligence technolo從上述過(guò)程可知，建立智能故障診斷模型，特征提取的好壞很大程度上模型的性能，它是故障診斷中的關(guān)鍵環(huán)節(jié)。較差的故障特征不僅影響運(yùn)，也會(huì)降低模型對(duì)故障的識(shí)別精度。因此，研究有效的特征提取方法至接下來(lái)將從故障特征提取和故障狀態(tài)識(shí)別兩個(gè)方面對(duì)故障診斷方法的國(guó)現(xiàn)狀進(jìn)行闡述和總結(jié)。 故障特征提取的國(guó)內(nèi)外研究現(xiàn)狀在基于模式識(shí)別的故障診斷方法中，針對(duì)診斷設(shè)備的不同，可以使用不去獲取反映設(shè)備狀態(tài)的數(shù)據(jù)特征。在故障診斷發(fā)展的幾十年間，國(guó)內(nèi)外了大量的特征提取方法，主要分為基于變量間信息的特征提取方法、基模式間信息的特征提取方法、頻譜型故障特征提取方法。圖 1-3 為故障方法的詳細(xì)分類。它主要分為基于變量間信息的特征提取方法、基于變間信息的特征提取方法、基于頻譜型的特征提取方法。在基于變量間信

浙江工業(yè)大學(xué)碩士學(xué)位論文的故障特征信息。Kankar 等[30]提出了一種利用連續(xù)小波變換進(jìn)行滾動(dòng)診斷的方法，然后使用提取的統(tǒng)計(jì)特征作為機(jī)器學(xué)習(xí)技術(shù)的輸入，從而動(dòng)軸承的故障診斷。Wang 等[31]提出了利用基于卡爾曼平滑算法的時(shí)變法實(shí)現(xiàn)非平穩(wěn)信號(hào)的參數(shù)化建模，從而獲得高分辨率的時(shí)頻譜。然后采分解方法得到時(shí)頻譜的左右奇異向量，并通過(guò)下采樣和預(yù)處理，將這些作為時(shí)頻譜的特征向量。

【參考文獻(xiàn)】：
期刊論文
[1]基于FTRL和XGBoost算法的產(chǎn)品故障預(yù)測(cè)模型[J]. 楊正森.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(03)
[2]Humidity-responsive Bilayer Actuators Comprised of Porous and Nonporous Poly（acrylic acid）/Poly（allylamine hydrochloride） Films[J]. Miao Zheng,Tang-Jie Long,Xiao-Ling Chen,Jun-Qi Sun.  Chinese Journal of Polymer Science. 2019(01)
[3]奇異值分解與LMD結(jié)合的滾動(dòng)軸承故障診斷研究[J]. 趙偉杰,楊樂樂,郝旺身,郝偉.  機(jī)械設(shè)計(jì)與制造. 2018(05)
[4]Crack Fault Classification for Planetary Gearbox Based on Feature Selection Technique and K-means Clustering Method[J]. Li-Ming Wang,Yi-Min Shao.  Chinese Journal of Mechanical Engineering. 2018(01)
[5]輸電線路視頻監(jiān)控智能分析專家系統(tǒng)關(guān)鍵技術(shù)設(shè)計(jì)[J]. 黃新波,邢曉強(qiáng),李菊清,張慧瑩,劉新慧,紀(jì)超,張燁,王孝敬.  中國(guó)電力. 2018(01)
[6]深度學(xué)習(xí)認(rèn)知計(jì)算綜述[J]. 陳偉宏,安吉堯,李仁發(fā),李萬(wàn)里.  自動(dòng)化學(xué)報(bào). 2017(11)
[7]大數(shù)據(jù)下機(jī)械智能故障診斷的機(jī)遇與挑戰(zhàn)[J]. 雷亞國(guó),賈峰,孔德同,林京,邢賽博.  機(jī)械工程學(xué)報(bào). 2018(05)
[8]Xgboost在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 張鈺,陳珺,王曉峰,劉飛.  噪聲與振動(dòng)控制. 2017(04)
[9]基于雙譜分析特征提取的汽輪機(jī)故障智能診斷[J]. 王志剛,王宏超.  中國(guó)工程機(jī)械學(xué)報(bào). 2016(05)
[10]基于PCA-PDBNs的故障檢測(cè)與自學(xué)習(xí)辨識(shí)[J]. 王培良,夏春江.  儀器儀表學(xué)報(bào). 2015(05)

博士論文
[1]統(tǒng)計(jì)聚類和粒子濾波在故障診斷中的應(yīng)用研究[D]. 李麗敏.西北工業(yè)大學(xué) 2014
[2]回聲狀態(tài)網(wǎng)絡(luò)分類方法及其應(yīng)用研究[D]. 郭嘉.哈爾濱工業(yè)大學(xué) 2011

碩士論文
[1]基于核主元分析的故障檢測(cè)與診斷研究[D]. 李蓉一.南京師范大學(xué) 2011



本文編號(hào)：3623784