隨著科學技術的飛速發(fā)展和市場競爭的日益激烈,工業(yè)生產表現出大型化、分布化、高速化、自動化和復雜化等特點。由于這些大型系統一般都是作為能源、石化、冶金以及其他國民經濟支柱產業(yè)中的關鍵設備,一旦發(fā)生故障,輕則降低生產效率,重則設備停機、生產停頓,有時甚至發(fā)生機毀人亡的惡性事故,造成災難性的后果。所以,有計劃、有組織、有針對地對關鍵設備進行實時監(jiān)測與診斷,做到盡早地發(fā)現設備在運行過程中的各種隱患,從而防止災難性事故的發(fā)生,成為機械設備故障診斷系統面臨和解決的首要問題。數據挖掘、信息融合理論以及現代計算機、測試、信號分析處理等技術的發(fā)展,為機械設備狀態(tài)監(jiān)測與故障診斷提供了一種嶄新的解決方案。本文在分析了機械故障診斷的現狀、發(fā)展趨勢以及數據挖掘、信息融合技術對于機械故障診斷的重要性的基礎上,主要從事了以下幾點研究: (1) Bently轉子臺模擬故障試驗:Bently轉子臺是一個通用的轉子故障模擬試驗平臺,本文使用的故障診斷數據來自該試驗臺。本文共模擬轉子的5種運行狀態(tài),一種為正常狀態(tài),另四種為故障狀態(tài)包括不平衡、碰摩、渦動以及不平衡+碰摩。 (2)信息融合包括數據層、特征層和決策層三個層次的融合,數據層融合數據量巨大,計算效率較低。因此,本文首先從特征融合角度,研究利用多特征來提高故障診斷的精度。本文使用的診斷特征有三類,包括時域統計指標(6維)、頻域幅值譜(13維)以及時頻域小波能量譜(25維),采用PCA進行特征融合。基于Bently轉子臺的試驗數據診斷分析表明,基于PCA的特征融合診斷方法有效地提高了故障診斷的精度。 (3)為了有效地利用數據挖掘的先進技術,對數據挖掘中兩種分類方法C4.5決策樹以及SVM進行了改進。根據Fayyad邊界點判定定理,改進了C4.5算法連續(xù)屬性離散化過程中最優(yōu)閾值的選擇方法,提高了連續(xù)屬性離散化效率。根據傳統SVM的不足,提出一種支持向量機決策樹(SVM Decision Tree, SVMDT)分類模型。它解決了“1對1”與“1對多”策略下SVM分類方法的拒識問題,同時它對輸出結果進行了的概率賦值,方便了后續(xù)的決策融合。在此基礎上,以C4.5決策樹、SVMDT以及后向傳播神經網絡(BPNN)作為基本分類方法,分別針對三種特征進行診斷決策,最后采用改進D-S證據合成理論進行決策融合。試驗數據的診斷分析表明,基于多特征、多分類器的信息融合方法能夠大大提高故障診斷精度。 (4)為了確定決策融合時多分類器的選擇以及說明多分類器決策融合對于提高診斷精度的有效性,本文從分類器間的差異性角度對多分類器融合進行了研究,同時給出一種有效差異性(Efficient Diversity, ED)度量指標作為分類器選擇與融合的依據。有效差異度ED越大說明分類器間的差異性越大,分類器決策融合后對診斷精度的提高越顯著。 (5)基于數據挖掘的過程模型,結合信息融合思想與方法,設計了一種新的基于數據挖掘與信息融合的知識獲取與故障診斷系統框架結構。該系統包括數據采集、數據變換、特征選擇、特征融合、單一分類器故障診斷、規(guī)則或模型知識表示、決策融合等模塊。實驗室測試以及某風機監(jiān)測診斷的現場應用驗證了系統設計的有效性。
【學位單位】：上海交通大學
【學位級別】：博士
【學位年份】：2006
【中圖分類】：TH165.3
【部分圖文】：

油膜渦動和徑向碰摩+不平衡。通過模擬上述狀態(tài)，獲取轉子不同信號，并進行特征提取，獲得后續(xù)章節(jié)所需實驗數據。裝置簡介 轉子實驗臺 RK4 主要包括馬達、基座裝置、馬達速度控制裝置、傳可選件。模擬不同的機器狀態(tài)可以選擇不同的可選件。如圖 2-1 為

圖2-2 Bently 轉子實驗臺油膜渦動部件Fig.2-2 The main components of Bently rotor kit for whirl所用到的設備還包括：示波器、交流無級調速器、電渦流傳感器、微機和數據采集軟件等。驗參數和實驗設置ently 轉子實驗臺模擬機器正常、不平衡、徑向碰摩和徑向碰摩+不平衡態(tài)時的實驗參數如表 2-1。(其中四種故障為輕度故障狀態(tài)。)ently 轉子實驗臺 RK4 上模擬正常、不平衡、徑向碰摩和徑向碰摩+不平，實驗臺設置如下：單盤進行機器狀態(tài)模擬。把軸承塊固定在如圖 2-1 所示的基座的兩端，在轉軸的中間部位。把一個固定塊 A 固定在最靠近圓盤的左側，用于固時把另一個固定塊 B 以圓盤為中心，對稱地安裝在圓盤的右側，用于安

軸的直徑D10mm徑向碰摩和徑向碰摩+不平衡轉軸跨度l505mm不平衡狀態(tài) 不平衡質量 m1.2g, 2.0g徑向碰摩+不平衡 不平衡質量 m1.0g, 1.2g, 1.4g兩圓盤之間的間隙 0.25cm轉子和靜子之間的間隙 0.5cm軸長L450mm轉軸跨度l410mm油膜渦動軸頸D25mm在 Bently 轉子實驗臺 RK4 上模擬油膜渦動時，實驗臺設置如下：選擇雙盤進行機器狀態(tài)模擬。雙盤固定在軸上靠近軸頸的位置，兩圓盤之間的間隙為 0.25cm。離軸頸最遠的圓盤 A 到軸頸的距離為 0.5cm，預載框固定在靠近圓盤 的左側，距離為 0.5cm，用于抵消重力對轉軸的影響，控制轉軸任意的偏心率。傳感器在相互垂直的水平和垂直方向固定在透明的油膜軸瓦上(Fluid film bearing)。如圖2-3 所示。

【引證文獻】

相關期刊論文 前3條

1 魯峰;黃金泉;;航空發(fā)動機部件性能參數融合預測[J];航空學報;2009年10期

2 程龍;蔡遠文;;數據挖掘C4.5算法的編程設計與增量學習改進[J];計算技術與自動化;2009年04期

3 薛峰;;數據挖掘在數字圖書館中的應用[J];山東教育學院學報;2010年04期

相關博士學位論文 前4條

1 魯峰;航空發(fā)動機故障診斷的融合技術研究[D];南京航空航天大學;2009年

2 劉應吉;車輛狀態(tài)監(jiān)測與故障診斷新方法研究[D];東北大學;2008年

3 黃標;胃腸道多元醫(yī)學信息無創(chuàng)遙測系統及胃腸動力功能分析[D];上海交通大學;2008年

4 張金江;基于多智能體技術的變電站設備信息集成研究[D];浙江大學;2009年

相關碩士學位論文 前10條

1 劉廣;數據挖掘在風力發(fā)電機組故障診斷中的應用[D];蘭州理工大學;2011年

2 姜碧波;基于數據挖掘的故障診斷方法研究[D];天津理工大學;2011年

3 趙芬;數據挖掘在光纖故障診斷中的應用研究[D];華北電力大學;2011年

4 陳振坤;民用航空器基于案例推理的故障診斷系統設計[D];上海交通大學;2011年

5 張衛(wèi)華;電網事故處理智能輔助決策系統的研究[D];華南理工大學;2011年

6 張海燕;數據挖掘技術應用于大學圖書館系統研究[D];南京信息工程大學;2008年

7 宋斌;基于數據挖掘技術的故障測試與診斷方法研究[D];西安電子科技大學;2009年

8 李哲;支持向量機融合方法的研究[D];武漢理工大學;2009年

9 鄭佩;基于案例推理的故障診斷技術研究[D];華中科技大學;2008年

10 楊易e

本文編號：2833031