冶金、石化等行業(yè)已對企業(yè)的重要關(guān)鍵設(shè)備安裝了在線或離線監(jiān)測系統(tǒng),隨之形成了大型的數(shù)據(jù)庫。對此,在故障診斷領(lǐng)域引入數(shù)據(jù)倉庫技術(shù),并以齒輪箱為例,通過數(shù)據(jù)挖掘產(chǎn)生區(qū)分齒輪箱各種故障的規(guī)則,并利用這些規(guī)則來診斷未知故障。論文主要完成下列內(nèi)容: 1.齒輪故障數(shù)據(jù)倉庫的建立 以武漢科技大學(xué)傳動實驗室的若干臺齒輪箱為研究對象,分別采集正常齒輪副、磨損嚴(yán)重的齒輪副、有周節(jié)誤差的齒輪副和小齒輪有一個斷齒的齒輪副的振動加速度信號,經(jīng)過FFT變換,分別得到每個信號的0~0.4倍嚙合頻率、0.4~0.5倍嚙合頻率、0.5~1倍嚙合頻率、1倍嚙合頻率、2倍嚙合頻率、3倍嚙合頻率、4倍嚙合頻率和大于4倍嚙合頻率幅值。所有數(shù)據(jù)存入到SQL數(shù)據(jù)庫中,經(jīng)過凈化、清理和轉(zhuǎn)換后,在Microsoft的SQL Server 2000平臺上采用星形模式構(gòu)建齒輪故障數(shù)據(jù)倉庫。然后通過聯(lián)機分析處理的切片、切塊、上卷、下鉆和旋轉(zhuǎn)等操作,從多角度、多層次地觀察數(shù)據(jù)倉庫中的數(shù)據(jù),全面了解每個信號的特征。 2.齒輪故障診斷模型的建立 利用SQL Server 2000中Analysis Services提供的聚類法,對齒輪箱歷史故障數(shù)據(jù)進行挖掘,將具有相似屬性特征且故障類型一致的數(shù)據(jù)分成同一組,得到一個聚類,遍歷這個聚類的8個屬性至結(jié)論得到一條診斷規(guī)則,濾掉支持度和可信度不滿足要求的規(guī)則,最后由所有規(guī)則建立診斷模型。另外,為便于比較,在MATLAB環(huán)境下采用CAMM算法編寫了一個決策樹構(gòu)造程序。以齒輪箱歷史故障數(shù)據(jù)為樣本,首先從當(dāng)前決策節(jié)點計算每個決策屬性的信息增益,選擇具有最大信息增益的決策屬性作為決策節(jié)點,并根據(jù)該決策屬性的取值將該決策屬性所在集合分成若干個子集,濾掉所有子集中對類別標(biāo)識屬性的分類支持度小于指定的最小支持度的元組,重復(fù)該過程直至生成決策樹。再剪除可信度小于規(guī)定最小可信度的規(guī)則所對應(yīng)的分枝,最后得到較為理想的決策樹,綜合所有規(guī)則進而得到診斷模型。利用得到的模型去診斷未知故障的齒輪副,診斷結(jié)果與實際故障情況相吻合,且可信度較高。說明數(shù)據(jù)倉庫技術(shù)在設(shè)備故障診斷領(lǐng)域有應(yīng)用價值。數(shù)據(jù)倉庫中的數(shù)據(jù)不斷更新,得到的診斷模型也隨之更新,這進一步保證了在設(shè)備故障形式發(fā)生改變的情況下診斷結(jié)果的準(zhǔn)確性。 3.聚類法與決策樹法在齒輪故障診斷建模中的優(yōu)劣比較。 聚類法得到的規(guī)則路徑完整,通過分析每條規(guī)則的屬性,可以較好地解釋各種故障齒
【學(xué)位單位】：武漢科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2006
【中圖分類】：TH132.41
【部分圖文】：

武漢科技大學(xué)碩士學(xué)位論文 第 43 頁4.4 所示：圖4.4 齒輪故障情況星形結(jié)構(gòu)圖4.5 齒輪故障數(shù)據(jù)分析4.5.1 描述式數(shù)據(jù)分析OLAP 提供了較直觀的多維分析操作，包括切片、切塊、上卷、下鉆和旋轉(zhuǎn)等，使用戶能多角度、多層次地觀察數(shù)據(jù)倉庫中的數(shù)據(jù)(見圖 4.5)。此外，為了能使分析具有靈活性，可以利用 Excel 2000 通過數(shù)據(jù)透視表服務(wù)把數(shù)據(jù)從分析服務(wù)器取到客戶端，在客戶端產(chǎn)生多維數(shù)據(jù)集文件，模擬 OLAP 服務(wù)的多維數(shù)據(jù)分析。圖4.5 利用維度瀏覽器觀察數(shù)據(jù)

可以利用 Excel 2000 通過數(shù)據(jù)透視表服務(wù)把數(shù)據(jù)從分析服務(wù)器取到客戶端，在客戶端產(chǎn)生多維數(shù)據(jù)集文件，模擬 OLAP 服務(wù)的多維數(shù)據(jù)分析。圖4.5 利用維度瀏覽器觀察數(shù)據(jù)

然后同用 MATLAB 編寫的決策樹算法模型進行比較，得出兩種方法的優(yōu)缺點。聚類法運用實例圖4.6 利用聚類算法得出的診斷決策模型圖圖 4.6 左邊的內(nèi)容詳情區(qū)中是一個聚類模型，一共分為 10 個類，右邊的特性區(qū)是對應(yīng)每個類所屬故障類型的可能性。表 4.3 是這 10 個類的具體情況。表4.3 利用聚類法得到的分類表路徑 各種情況的概率類別幅值 1 幅值 2 幅值 3 幅值 4 幅值 5 幅值 6 幅值 7 幅值 8 正常 磨損 周節(jié)誤差 斷齒支持度1 40— 2— 6— 8—12 5— 2—6 1— 3— 0.59% 15.08% 65.19% 19.13% 81%2 40— 2— 6— 12— 5— 2— 1—3 3— 3.65% 10.57% 12.37% 73.41% 55.13%3 15—40 1—2 2—6 3—12 0—5 0—4 1—3 1—3 0.04% 81.41% 9.55% 8.99% 50.50%

【參考文獻】

相關(guān)期刊論文 前4條

1 李永敏,朱善君,陳湘暉,張岱崎,韓曾晉;基于粗糙集理論的數(shù)據(jù)挖掘模型[J];清華大學(xué)學(xué)報(自然科學(xué)版);1999年01期

2 劉業(yè)翔,陳湘濤,張文根,任麗,鄒忠,李R

本文編號：2823182