近年來,信息技術和工業(yè)物聯(lián)網的高速發(fā)展推動了制造業(yè)革命性的創(chuàng)新和突破。以德國“工業(yè)4.0”為代表,多個國家相繼推出多種措施吸引制造業(yè)回流,提升制造業(yè)智能化水平。我國作為全球制造業(yè)中心,提出實施制造強國戰(zhàn)略第一個十年的行動綱領《中國制造2025》,加快推進智能制造,這是落實兩化深度融合、打造制造強國的戰(zhàn)略舉措,更是我國制造業(yè)緊跟世界發(fā)展趨勢、實現(xiàn)轉型升級的關鍵所在�？梢�,運用大數據等先進技術理念,推動智能制造發(fā)展,已成為大勢所趨。隨著信息技術與智能技術的深度融合,獲取大型機械裝備在生產過程中不斷涌現(xiàn)的海量運行數據變得更為容易,使得借助大數據分析方法對故障類型進行有效診斷和預測成為智能制造領域的研究熱點。但面對海量的新增運行數據,傳統(tǒng)的機器學習方法無法滿足實時處理需求,且裝備的狀態(tài)和屬性會隨時間變化而發(fā)生改變,新增數據的潛在信息對裝備當前狀態(tài)和未來運行趨勢有更重要的價值。增量學習雖然能夠在保存大部分已經學習到知識的同時,不斷地從新數據中學習新的知識。但在故障診斷領域,增量生成的數據流具有海量、非平衡、高噪聲、強因果關聯(lián)等特點,如不加以處理將會嚴重影響診斷效果。針對上述問題,本研究根據機械裝...

【文章頁數】：75 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 裝備故障診斷的研究現(xiàn)狀
        1.2.2 增量學習的研究現(xiàn)狀
        1.2.3 非平衡數據處理的研究現(xiàn)狀
    1.3 本文工作和貢獻
        1.3.1 研究內容
        1.3.2 創(chuàng)新點
    1.4 本文結構安排
第二章 相關理論基礎
    2.1 增量學習
    2.2 非平衡數據處理
        2.2.1 反向K近鄰與K近鄰
        2.2.2 合成少數類過采樣技術
    2.3 深度學習
        2.3.1 自動編碼器
        2.3.2 去噪自動編碼器
    2.4 本章小結
第三章 基于增量融合的動態(tài)深度學習模型
    3.1 動態(tài)融合增量學習
        3.1.1 模式相似度計算
        3.1.2 模式增量與合并原則
        3.1.3 動態(tài)融合權重計算
        3.1.4 基于動態(tài)融合的增量學習
    3.2 基于增量融合的動態(tài)深度學習模型
        3.2.1 模型結構
        3.2.2 模型流程
    3.3 具體實現(xiàn)
    3.4 本章小結
第四章 基于數據驅動增量融合的螺旋式故障診斷方法
    4.1 非平衡數據處理
        4.1.1 基于反向K近鄰的多數類欠采樣算法
        4.1.2 基于K近鄰的少數類過采樣算法
        4.1.3 基于劃分近鄰的重采樣模型
    4.2 特征提取及分類
    4.3 有效實例選擇
    4.4 特征和實例動態(tài)評價
        4.4.1 特征動態(tài)遺忘權重
        4.4.2 實例動態(tài)遺忘權重
    4.5 基于數據驅動增量融合的螺旋式方法
    4.6 具體實現(xiàn)
    4.7 本章小結
第五章 故障診斷實驗結果及分析
    5.1 數據描述
    5.2 模型參數與結構
        5.2.1 IMDDL模型
        5.2.2 IMH方法
            5.2.2.1 非平衡數據處理中的k值
            5.2.2.2 分類模型結構
    5.3 結果分析
        5.3.1 IMDDL模型性能分析
        5.3.2 IMH方法性能分析
            5.3.2.1 非平衡數據處理性能
            5.3.2.2 增量學習性能
        5.3.3 IMDDL模型與IMH方法性能比較
    5.4 本章小結
第六章 總結與展望
    6.1 總結
    6.2 展望
參考文獻
攻讀碩士學位期間所取得的相關科研成果
致謝



本文編號：3798428