隨著自動化技術(shù)、計算機技術(shù)以及人工智能技術(shù)等高新技術(shù)的快速發(fā)展,現(xiàn)代化復(fù)雜工業(yè)系統(tǒng)正逐步朝著高復(fù)雜度和高集成度方向發(fā)展,而保證現(xiàn)代復(fù)雜工業(yè)系統(tǒng)安全有效運行的故障診斷技術(shù)至關(guān)重要。但由于系統(tǒng)數(shù)據(jù)具有數(shù)據(jù)量大、維數(shù)高、種類多、單位信息包含有價值信息少等問題,給故障診斷帶來很多新的挑戰(zhàn)�；诖�,本文開展針對數(shù)據(jù)預(yù)處理和在線實時故障診斷等方面研究,全文的主要研究內(nèi)容如下:（1）基于信息熵與相對主元分析的故障診斷方法。首先,利用信息熵及信息增益算法,構(gòu)建了度量變量重要性的度量函數(shù);然后基于該度量函數(shù)和量綱標準化方法,建立了新的數(shù)據(jù)預(yù)處理模型;進而結(jié)合新型的主元分析模型進行故障診斷。最后,通過TE化工過程故障數(shù)據(jù)集和UCI的Wine數(shù)據(jù)集仿真實驗,所提方法表現(xiàn)較好的診斷性能。（2）基于隨機投影和支持向量機的故障診斷方法。首先引入數(shù)據(jù)降維,以解決訓(xùn)練數(shù)據(jù)集的復(fù)雜分布以及高維特征計算復(fù)雜度高的問題;然后通過對不同降維方法的保距性分析,相較基于主元分析的降維方法,隨機投影在降維同時能夠保持樣本間距離近似不變;之后據(jù)此提出基于隨機投影進行降維和支持向量機進行故障診斷的算法,它不僅能降低計算復(fù)雜度,而且可確... 

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 數(shù)據(jù)預(yù)處理
        1.2.2 實時故障診斷
    1.3 本文研究內(nèi)容及其結(jié)構(gòu)安排
第2章 相關(guān)理論基礎(chǔ)
    2.1 引言
    2.2 數(shù)據(jù)預(yù)處理方法介紹
        2.2.1 量綱標準化方法
        2.2.2 信息熵在數(shù)據(jù)預(yù)處理中的應(yīng)用
        2.2.3 主元分析算法
        2.2.4 隨機投影算法
    2.3 故障診斷方法介紹
        2.3.1 支持向量機算法
        2.3.2 極限學(xué)習(xí)機算法
    2.4 本章小結(jié)
第3章 基于信息熵和相對主元分析的故障診斷方法
    3.1 引言
    3.2 基于信息熵的信息增益算法
    3.3 基于信息增益與相對主元分析的故障診斷方法
    3.4 仿真研究
        3.4.1 TE數(shù)據(jù)集
        3.4.2 Wine數(shù)據(jù)集
        3.4.3 結(jié)果分析
    3.5 本章小結(jié)
第4章 基于隨機投影和支持向量機的故障診斷方法
    4.1 引言
    4.2 基于PCA與支持向量機的故障診斷算法
    4.3 隨機投影與主元分析的保距性分析
        4.3.1 主成分法的不保距性分析
        4.3.2 隨機投影方法及其保距性分析
    4.4 基于隨機投影和支持向量機的故障診斷方法
    4.5 仿真實驗
        4.5.1 數(shù)據(jù)集描述
        4.5.2 結(jié)果和分析
    4.6 本章小結(jié)
第5章 基于kalmanfilter的實時在線極限學(xué)習(xí)機算法
    5.1 引言
    5.2 基于遞歸最小二乘法的在線實時極限學(xué)習(xí)機算法
        5.2.1 在線極限學(xué)習(xí)機的基本思想
        5.2.2 在線極限學(xué)習(xí)機的具體步驟
    5.3 KalmanFilter與RLS在實時序貫性上的性能比較
        5.3.1 KalmanFilter
        5.3.2 KalmanFilter與RLS在實時序貫性上的比較
    5.4 基于KalmanFilter的實時在線極限學(xué)習(xí)機算法
    5.5 仿真實驗
        5.5.1 實驗設(shè)置
        5.5.2 實驗結(jié)果及分析
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 研究總結(jié)
    6.2 工作展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]SVM訓(xùn)練數(shù)據(jù)歸一化研究[J]. 湯榮志,段會川,孫海濤.  山東師范大學(xué)學(xué)報(自然科學(xué)版). 2016(04)
[2]一種基于在線序貫極限學(xué)習(xí)機的大型艦船甲板態(tài)勢預(yù)測方法[J]. 劉錫祥,宋清,司馬健,黃永江,楊燕.  中國慣性技術(shù)學(xué)報. 2016(02)
[3]基于信息熵的新的詞語相似度算法研究[J]. 王小林,陸駱勇,邰偉鵬.  計算機技術(shù)與發(fā)展. 2015(09)
[4]基于正則化與遺忘因子的極限學(xué)習(xí)機及其在故障預(yù)測中的應(yīng)用[J]. 杜占龍,李小民,鄭宗貴,張國榮,毛瓊.  儀器儀表學(xué)報. 2015(07)
[5]相對變換主元分析的變壓器油擊穿電壓預(yù)測[J]. 唐勇波,彭濤,熊印國,江風(fēng)云.  儀器儀表學(xué)報. 2015(07)
[6]基于信息熵與蟻群優(yōu)化的屬性約簡算法[J]. 陳穎悅,陳玉明.  小型微型計算機系統(tǒng). 2015(03)
[7]基于隨機投影的加速度手勢識別[J]. 劉紅,劉蓉,李書玲.  計算機應(yīng)用. 2015(01)
[8]基于信息熵的油田變壓器局部放電故障診斷[J]. 趙海龍,律福志,閆麗梅,何劍,嚴娓.  電氣應(yīng)用. 2014(15)
[9]基于相對主元分析的動態(tài)數(shù)據(jù)窗口故障檢測方法[J]. 王天真,劉遠,湯天浩,陳炎.  電工技術(shù)學(xué)報. 2013(01)
[10]多特征信息融合的貝葉斯網(wǎng)絡(luò)故障診斷方法研究[J]. 姜萬錄,劉思遠.  中國機械工程. 2010(08)

博士論文
[1]基于振動信號的機械故障特征提取與診斷研究[D]. 趙志宏.北京交通大學(xué) 2012

碩士論文
[1]相對主元分析理論及其應(yīng)用研究[D]. 胡靜.河南大學(xué) 2008



本文編號：3732488