本文關鍵詞：基于信息融合的設備故障預測研究，由筆耕文化傳播整理發(fā)布。

【摘要】：機械設備對工業(yè)進步起到了巨大的促進作用,為保障工業(yè)生產(chǎn)中關鍵設備持續(xù)、高效運行,提高生產(chǎn)率,準確的診斷與預測設備故障逐漸成為工業(yè)發(fā)展的重中之重。以往的故障預測技術大都基于單傳感器信號,然而由于轉子渦動現(xiàn)象的存在,靠單一傳感器采集的信號往往比較片面,這就導致其預測結果不夠準確。而全矢譜技術能融合多通道信號并準確提取特征量,克服了預測數(shù)據(jù)不可靠的技術難點,可以有效提高故障預測的精度。支持向量回歸方法在解決小樣本預測問題中具有明顯的優(yōu)越性,而在其基礎上拓展出的最小二乘支持向量回歸具有更好的泛化能力和預測性能。在設備故障預測中采用最小二乘支持向量回歸可以充分利用設備狀態(tài)監(jiān)測系統(tǒng)中近段時間內(nèi)采集的小樣本數(shù)據(jù)進行趨勢預測,這就大大提高預測結果的可信度,具有良好的工程實用效果。本文將全矢譜技術與最小二乘支持向量回歸方法相結合,構建基于信息融合的設備故障預測模型,與以往時域指標的預測不同,該模型是對反映設備運行狀態(tài)的頻譜結構進行預測,并通過實例驗證其有效性。本課題的主要研究工作如下:1、分析不同的信息融合方法,并通過對比說明全矢譜技術的優(yōu)勢。介紹全矢譜技術的原理、算法以及特點,并通過風力渦輪機故障診斷綜合實驗臺上的診斷實例驗證其能夠提取同源信號中完整的、準確的特征信息。運用全矢譜技術能夠獲得反映設備真實狀態(tài)的特征量,為設備故障預測提供可靠的數(shù)據(jù)支持。2、研究支持向量回歸的基礎理論,分析其回歸預測的思想,并構建基于全矢譜的支持向量回歸預測模型。該模型能夠解決以往單通道數(shù)據(jù)不完整及預測結果不準確的問題,并通過sinc函數(shù)仿真和汽輪機組1X預測實例驗證其可行性。3、構建全矢最小二乘支持向量回歸預測模型,并給出其具體算法和預測流程。通過將現(xiàn)場汽輪機組的實際振動數(shù)據(jù)應用于該模型中,證明其能夠進行頻譜結構預測并能取得較好的預測效果,具有很好的工程實際意義。
【關鍵詞】：故障預測 全矢譜 信息融合 最小二乘支持向量回歸 回歸預測
【學位授予單位】：鄭州大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TH17
【目錄】：

• 摘要4-5
• Abstract5-10
• 1 緒論10-20
• 1.1 課題來源10
• 1.2 設備故障預測的意義10-11
• 1.3 設備故障預測的研究現(xiàn)狀11-14
• 1.3.1 基于數(shù)據(jù)的預測方法12-13
• 1.3.2 基于模型的預測方法13-14
• 1.3.3 基于知識的預測方法14
• 1.4 同源信息融合技術的研究現(xiàn)狀14-17
• 1.4.1 全息譜分析方法15-16
• 1.4.2 全頻譜分析方法16-17
• 1.4.3 全矢譜分析方法17
• 1.5 本課題的研究目的和意義17-18
• 1.6 本文的主要內(nèi)容18-20
• 2 支持向量回歸理論20-30
• 2.1 引言20
• 2.2 機器學習20-22
• 2.2.1 機器學習的表達20-21
• 2.2.2 經(jīng)驗風險最小化原則21-22
• 2.3 統(tǒng)計學習理論22-26
• 2.3.1 統(tǒng)計學習具有一致性的條件22
• 2.3.2 統(tǒng)計學習VC維概念22-23
• 2.3.3 結構風險最小化原則23-26
• 2.4 支持向量回歸思想26-28
• 2.4.1 最大間隔法分類26-27
• 2.4.2 支持向量回歸27-28
• 2.5 本章小結28-30
• 3 全矢譜技術及應用30-43
• 3.1 引言30
• 3.2 全矢譜技術的基本理論30-36
• 3.3 全矢譜技術的數(shù)值算法36-37
• 3.4 全矢譜技術的兼容性37-38
• 3.5 全矢譜技術的應用38-42
• 3.6 本章小結42-43
• 4 全矢支持向量回歸趨勢預測研究43-55
• 4.1 引言43
• 4.2 支持向量回歸算法43-49
• 4.2.1 線性回歸及損失函數(shù)43-45
• 4.2.2 ε—不敏感損失函數(shù)45-46
• 4.2.3 ε—不敏感損失函數(shù)的線性回歸46-48
• 4.2.4 非線性回歸的推廣48-49
• 4.3 全矢支持向量回歸預測模型及其應用49-54
• 4.3.1 時間序列樣本重構及預測49-50
• 4.3.2 預測結果的評價50
• 4.3.3 支持向量回歸預測的仿真分析50-51
• 4.3.4 全矢支持向量回歸預測模型的構建51-52
• 4.3.5 全矢支持向量回歸在預測汽輪機組運行狀態(tài)中的應用52-54
• 4.4 本章小結54-55
• 5 基于全矢譜的最小二乘支持向量回歸故障預測研究55-67
• 5.1 引言55
• 5.2 最小二乘支持向量回歸的算法55-57
• 5.3 全矢最小二乘支持向量回歸預測模型及應用57-66
• 5.3.1 對汽輪機組振動信號 1X主振矢的預測57-58
• 5.3.2 全矢最小二乘支持向量回歸預測模型的參數(shù)選擇58-63
• 5.3.3 基于全矢最小二乘支持向量回歸的多步預測及頻譜結構預測63-66
• 5.4 本章小結66-67
• 6 結論與展望67-69
• 6.1 本文工作總結67
• 6.2 課題研究的創(chuàng)新點67-68
• 6.3 展望68-69
• 參考文獻69-73
• 致謝73-74
• 個人簡歷、在學期間發(fā)表的學術論文與研究成果74

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 ;首屆全國信息融合學術年會召開[J];航空學報;2009年12期

2 ;首屆全國信息融合學術年會征文通知[J];海軍航空工程學院學報;2009年04期

3 ;第二屆全國信息融合學術年會征文通知[J];艦船電子工程;2010年01期

4 ;首屆全國信息融合學術年會[J];艦船電子工程;2010年01期

5 ;第三屆中國信息融合大會征文通知[J];航空學報;2011年01期

6 ;第四屆中國信息融合大會征文通知[J];艦船電子工程;2011年08期

7 ;第4屆中國信息融合大會征文通知[J];航空學報;2011年12期

8 ;第四屆中國信息融合大會征文通知[J];艦船電子工程;2011年12期

9 ;第四屆中國信息融合大會征文通知[J];艦船電子工程;2012年02期

10 ;第四屆中國信息融合大會征文通知[J];艦船電子工程;2012年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 朱茵;王軍利;;交通管理綜合信息融合模型研究[A];第二十七屆中國控制會議論文集[C];2008年

2 顧星;;中醫(yī)診斷與體表生物特征多信息融合的思考[A];中國中西醫(yī)結合學會診斷專業(yè)委員會2009’年會論文集[C];2009年

3 王志勝;甄子洋;王道波;范大鵬;;隨機大系統(tǒng)的信息融合最優(yōu)聯(lián)合控制[A];PCC2009—第20屆中國過程控制會議論文集[C];2009年

4 楊為民;李龍澍;;基于GIT的信息融合在農(nóng)業(yè)信息中的應用[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

5 劉汝杰;袁保宗;;信息融合的認知學基礎與D-S融合方法[A];第九屆全國信號處理學術年會（CCSP-99）論文集[C];1999年

6 杜奕;遲毅林;伍星;;概率盒和D-S結構體在機械故障信號信息融合中的應用展望[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

7 李樹軍;蔣曉瑜;紀紅霞;;多傳感器信息融合技術和典型算法的應用詮釋[A];中國系統(tǒng)工程學會決策科學專業(yè)委員會第六屆學術年會論文集[C];2005年

8 孫來軍;沈永良;;多SVM多級信息融合與診斷決策模型的研究[A];2007'中國儀器儀表與測控技術交流大會論文集（二）[C];2007年

9 杜奕;遲毅林;伍星;;信息融合在設備監(jiān)測和故障診斷中的應用[A];第二十七屆中國控制會議論文集[C];2008年

10 李錄平;鄒新元;晉風華;黃樹紅;盧緒祥;;基于信息融合的旋轉機械振動狀態(tài)評價方法研究[A];第八屆全國振動理論及應用學術會議論文集摘要[C];2003年

中國重要報紙全文數(shù)據(jù)庫 前2條

1 周新紅 田朝暉 段勇;信息融合：現(xiàn)代戰(zhàn)爭的重要支撐[N];解放軍報;2005年

2 本報記者 別坤;信息融合讓地鐵更快捷[N];計算機世界;2012年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 胡洲;信息融合欠驅(qū)動控制技術研究[D];南京航空航天大學;2014年

2 張云璐;基于用戶信息融合的個性化推薦[D];武漢大學;2012年

3 王恩雁;基于本體的多源異構應急信息融合方法研究[D];哈爾濱工業(yè)大學;2014年

4 文妍;基于多源信息融合的數(shù)控機床進給系統(tǒng)機械故障診斷研究[D];青島理工大學;2016年

5 吳榮春;軍事信息系統(tǒng)中信息融合關鍵技術研究[D];電子科技大學;2016年

6 朱林;信息融合系統(tǒng)工程設計準則的研究[D];哈爾濱工程大學;2005年

7 朱方;多信息融合模式分類方法研究及在公交客流識別系統(tǒng)中的應用[D];河北工業(yè)大學;2010年

8 孔慶杰;信息融合理論及其在交通監(jiān)控信息處理中的應用[D];上海交通大學;2010年

9 王曉帆;信息融合中的態(tài)勢評估技術研究[D];西安電子科技大學;2012年

10 王志勝;信息融合估計理論及其在航天器控制中的應用研究[D];西北工業(yè)大學;2002年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 李曉;基于信息融合的高速列車轉向架故障診斷[D];西南交通大學;2015年

2 陳昭;基于云計算的中藥信息融合知識服務平臺構建[D];福建中醫(yī)藥大學;2015年

3 王嵩磊;農(nóng)產(chǎn)品溯源與政府監(jiān)管系統(tǒng)開發(fā)[D];浙江理工大學;2016年

4 嚴思寧;基于信息融合的智能車輛前方目標識別技術研究[D];東南大學;2015年

5 郭偉龍;融合多源信息的室內(nèi)定位算法研究[D];浙江大學;2016年

6 聶新雨;基于信息融合的軋制過程故障診斷方法研究[D];東北大學;2014年

7 呂丁浩;基于信息融合的建筑能耗控制[D];上海工程技術大學;2016年

8 謝志鵬;基于信息融合的車輛安全監(jiān)控系統(tǒng)關鍵技術研究[D];西南交通大學;2016年

9 張錢龍;基于信息融合的設備故障預測研究[D];鄭州大學;2016年

10 王國鵬;基于信息融合的疲勞狀態(tài)估計方法研究[D];東南大學;2016年

  本文關鍵詞：基于信息融合的設備故障預測研究，，由筆耕文化傳播整理發(fā)布。

本文編號：428235