發(fā)布時(shí)間：2022-01-05 12:38

　　隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展,實(shí)時(shí)監(jiān)控設(shè)備已經(jīng)廣泛應(yīng)用于港口機(jī)械設(shè)備的管理中。對(duì)設(shè)備的實(shí)時(shí)監(jiān)控會(huì)產(chǎn)生大量反映設(shè)備當(dāng)前運(yùn)行狀態(tài)的監(jiān)控?cái)?shù)據(jù)。數(shù)據(jù)挖掘技術(shù)因能在大數(shù)據(jù)中發(fā)現(xiàn)有效信息的獨(dú)特優(yōu)勢(shì),越來(lái)越廣泛的應(yīng)用于故障診斷領(lǐng)域。本文運(yùn)用數(shù)據(jù)挖掘技術(shù),研究港口機(jī)械設(shè)備故障診斷方法,為港口機(jī)械設(shè)備故障診斷提供技術(shù)支持。設(shè)備故障診斷的關(guān)鍵在于故障特征提取和故障模式識(shí)別兩個(gè)方面。故障特征提取是從監(jiān)控信號(hào)中提取出能表征機(jī)械狀態(tài)特征量的過(guò)程;故障模式識(shí)別是指根據(jù)提取的故障特征,對(duì)故障樣本進(jìn)行分類(lèi)的過(guò)程。圍繞以上兩個(gè)關(guān)鍵問(wèn)題,本文從以下幾個(gè)方面展開(kāi)研究工作:（1）本文引入AP聚類(lèi)算法對(duì)海量港口機(jī)械監(jiān)控?cái)?shù)據(jù)進(jìn)行聚類(lèi)分析,獲取港口機(jī)械不同運(yùn)行狀態(tài)的關(guān)鍵信息。利用AP聚類(lèi)算法不需要預(yù)先設(shè)置聚類(lèi)中心個(gè)數(shù)、聚類(lèi)結(jié)果粒度細(xì)的特點(diǎn),提高故障模式識(shí)別的精度。通過(guò)壓縮和稀疏兩個(gè)步驟減小相似度矩陣規(guī)模的方式,降低了AP聚類(lèi)算法的時(shí)間復(fù)雜度。（2）提出了一種基于FastAP算法的故障診斷模型。該模型首先利用集合經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥nsemble Empirical Mode Decomposition,EEMD）方法對(duì)設(shè)備監(jiān)控?cái)?shù)據(jù)進(jìn)行預(yù)處理,... 

【文章來(lái)源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

機(jī)械故障診斷流程圖

由以上分析可知，在迭代過(guò)程中通過(guò)消除不必要的消息交換，可以提高 AP聚類(lèi)的計(jì)算效率。從以往的研究中受到啟發(fā)，即一個(gè)數(shù)據(jù)點(diǎn)在選擇附近的范例時(shí)起著重要的作用，而與遠(yuǎn)離它的范例無(wú)關(guān)。因此，可以省略距離較遠(yuǎn)的數(shù)據(jù)點(diǎn)之間的消息交換。然而，這種思想只考慮局部的相似度信息，而不考慮局部和全局的相似度信息，這就導(dǎo)致了潛在范例的分布不能很好地代表整個(gè)數(shù)據(jù)集的分布，因此出現(xiàn)了聚類(lèi)算法性能的顯著下降。為了克服這個(gè)缺點(diǎn)，本文在原始 AP 聚類(lèi)算法的基礎(chǔ)上提出了 FastAP 聚類(lèi)算法，首先設(shè)計(jì)一個(gè)自下而上的方法來(lái)尋找一個(gè)具有代表性的潛在范例集合，這樣可以確保能找到一個(gè)可能成為最終范例集合的可能范例集。通過(guò)此方法可以保證最終的范例集不會(huì)離真正的最優(yōu)范例集太遠(yuǎn)，即聚類(lèi)算法的性能不會(huì)顯著下降。2.3 FastAP 聚類(lèi)算法如圖 2-1 所示，為了提高 AP 聚類(lèi)的計(jì)算效率，本文分兩步縮小相似度矩陣的尺度：壓縮階段和稀疏階段。

圖 2-2 潛在范例的選擇過(guò)程圖 2-2 給出了一個(gè)例子，它說(shuō)明了 MCM 是如何工作的。例子中樣本數(shù)據(jù)集是一個(gè)數(shù)據(jù)量為 200，服從高斯分布的數(shù)據(jù)集，數(shù)據(jù)點(diǎn)在 matlab 仿真平臺(tái)上隨機(jī)生成。三角形點(diǎn)代表潛在范例，圓點(diǎn)代表非潛在范例。三角形點(diǎn)與圓點(diǎn)之間的連線表示三角形點(diǎn)是圓點(diǎn)的范例，即三角形點(diǎn)表示簇中心。在第 1 輪迭代過(guò)程中，所有數(shù)據(jù)點(diǎn)都被認(rèn)為是潛在的范例。在第 5 輪迭代過(guò)程后，許多微型簇已經(jīng)合并在一起。隨著迭代次數(shù)的增加，微型簇逐漸融合在一起。在第 10 次迭代過(guò)程后只剩下 15 個(gè)潛在范例，在第 15 次迭代后剩下 5個(gè)潛在范例，相應(yīng)的壓縮率分別是 0.075 和 0.025�？梢杂^察到，在僅僅幾次迭代之后，潛在范例的數(shù)量大大減少。MCM 的目標(biāo)是快速發(fā)現(xiàn)具有代表性的數(shù)據(jù)點(diǎn)，這些數(shù)據(jù)點(diǎn)將被選擇為潛在的范例。潛在范例集的質(zhì)量將影響最終的聚類(lèi)性能。在最壞的情況下，MCM 算法需要 N 1次迭代將N 個(gè)對(duì)象合并在一起。但是，這種情況在實(shí)際應(yīng)用中很少發(fā)生。在大多數(shù)情況下，MCM 算法可以快速選擇所需數(shù)量的潛在范例。在本文

【參考文獻(xiàn)】：
期刊論文
[1]敏感SVD和EEMD的故障診斷方法研究[J]. 齊鵬,范玉剛,馮早.  傳感器與微系統(tǒng). 2018(02)
[2]電網(wǎng)故障診斷的研究綜述與前景展望[J]. 王守鵬,趙冬梅.  電力系統(tǒng)自動(dòng)化. 2017(19)
[3]復(fù)雜裝備軸承多重故障的線性判別分析與反向傳播神經(jīng)網(wǎng)絡(luò)協(xié)作診斷方法[J]. 黃大榮,陳長(zhǎng)沙,孫國(guó)璽,趙玲,米波.  兵工學(xué)報(bào). 2017(08)
[4]大型風(fēng)力發(fā)電機(jī)組故障診斷方法綜述[J]. 龍霞飛,楊蘋(píng),郭紅霞,伍席文.  電網(wǎng)技術(shù). 2017(11)
[5]風(fēng)力發(fā)電機(jī)組故障診斷與預(yù)測(cè)技術(shù)研究綜述[J]. 金曉航,孫毅,單繼宏,吳根勇.  儀器儀表學(xué)報(bào). 2017(05)
[6]基于模糊神經(jīng)網(wǎng)絡(luò)的智能故障診斷專(zhuān)家系統(tǒng)[J]. 司景萍,馬繼昌,牛家驊,王二毛.  振動(dòng)與沖擊. 2017(04)
[7]EEMD排列熵與PCA-GK的滾動(dòng)軸承聚類(lèi)故障診斷[J]. 黃友朋,趙山,許凡,方彥軍.  河南科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[8]基于數(shù)據(jù)驅(qū)動(dòng)的微小故障診斷方法綜述[J]. 文成林,呂菲亞,包哲靜,劉妹琴.  自動(dòng)化學(xué)報(bào). 2016(09)
[9]基于主元分析-概率神經(jīng)網(wǎng)絡(luò)的制冷系統(tǒng)故障診斷[J]. 梁晴晴,韓華,崔曉鈺,谷波.  化工學(xué)報(bào). 2016(03)
[10]基于RQA與GG聚類(lèi)的滾動(dòng)軸承故障識(shí)別[J]. 張淑清,包紅燕,李盼,李新新,姜萬(wàn)錄.  中國(guó)機(jī)械工程. 2015(10)

博士論文
[1]旋轉(zhuǎn)機(jī)械故障信號(hào)分析及診斷技術(shù)研究[D]. 褚東亮.華北電力大學(xué)(北京) 2017
[2]基于自適應(yīng)振動(dòng)信號(hào)處理的旋轉(zhuǎn)機(jī)械故障診斷研究[D]. 張超.西安電子科技大學(xué) 2012
[3]基于振動(dòng)信號(hào)的機(jī)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]聚類(lèi)算法在轉(zhuǎn)子故障診斷中的應(yīng)用[D]. 劉江煒.西安工業(yè)大學(xué) 2015



本文編號(hào)：3570361