對設(shè)備進(jìn)行分析最重要的是對設(shè)備故障的分析和對性能退化建模兩個部分,本文應(yīng)用函數(shù)型數(shù)據(jù)分析作為研究方法,對設(shè)備進(jìn)行以上的研究。函數(shù)型數(shù)據(jù)分析是把原始數(shù)據(jù)視為一個整體,然后從整體的角度對數(shù)據(jù)進(jìn)行分析。其具有的外在條件依賴性、可對不同維度數(shù)據(jù)分析以及可對數(shù)據(jù)從不同角度進(jìn)行深層次分析等特點(diǎn),彌補(bǔ)了傳統(tǒng)數(shù)據(jù)分析中的不足,這體現(xiàn)出其具有很好的研究價值。設(shè)備的狀態(tài)監(jiān)測首先是對原始信號進(jìn)行分析,但目前的信號分析只是在原始信號的基礎(chǔ)上對其進(jìn)行分析,原始信號離散等特點(diǎn)給數(shù)據(jù)分析造成了一定的困難。因此,本文結(jié)合函數(shù)型數(shù)據(jù)分析的思想,對設(shè)備的狀態(tài)監(jiān)測提出一些新的方法,具體如下:（1）提出了一種基于函數(shù)型主成分分析及核極限學(xué)習(xí)機(jī)的故障診斷方法。針對目前數(shù)據(jù)診斷中準(zhǔn)確率及魯棒性較低的問題,利用函數(shù)型數(shù)據(jù)分析具有較高魯棒性的特點(diǎn),本文首先用函數(shù)型主成分分析提取數(shù)據(jù)中的主成分,再利用核極限學(xué)習(xí)機(jī)作為分類器,對數(shù)據(jù)進(jìn)行分類,判別出故障類別。通過實(shí)驗(yàn)表明,該方法優(yōu)于傳統(tǒng)判別方法。（2）提出一種基函數(shù)型數(shù)據(jù)分析的退化建模方法。在對設(shè)備性能衰退的分析后,利用函數(shù)型數(shù)據(jù)分析整體化的特點(diǎn),對所有數(shù)據(jù)進(jìn)行函數(shù)擬合,并應(yīng)用函數(shù)型主成... 

【文章來源】：內(nèi)蒙古科技大學(xué)內(nèi)蒙古自治區(qū)

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

化工事故統(tǒng)計(jì)

內(nèi)蒙古科技大學(xué)碩士學(xué)位論文-17-3極限學(xué)習(xí)機(jī)極限學(xué)習(xí)機(jī)（ExtremeLearningMachine,ELM）是人工神經(jīng)網(wǎng)絡(luò)領(lǐng)域中一種新型的算法，是單隱層前饋神經(jīng)網(wǎng)絡(luò)更深層次的研究，通過大量增加隨機(jī)參數(shù)的隱藏層神經(jīng)元來減少傳統(tǒng)神經(jīng)網(wǎng)絡(luò)需要調(diào)整過多參數(shù)的問題，使得需要通過訓(xùn)練進(jìn)行調(diào)整的參數(shù)減少為一個，并且在求解過程中使用解析求解法一次求得全局最優(yōu)的參數(shù)，避免了局部值的情況。3.1極限學(xué)習(xí)機(jī)3.1.1理論知識極限學(xué)習(xí)機(jī)是Huang教授提出的一種特殊的單隱層前饋神經(jīng)網(wǎng)絡(luò)，其僅有一個隱含層，后來將它延伸到通用的單隱層前饋神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)如圖（3.1）所示。如圖可以看出對于N個樣本iiyx,，其中網(wǎng)絡(luò)輸入層為Tniniii,,,Rxxxx21，網(wǎng)絡(luò)輸出層為Tmimiii,,,Ryyyy21，對于具有L個隱含層節(jié)點(diǎn)的單隱層前饋性神經(jīng)網(wǎng)絡(luò)可表示為：NjyxgjLiijii,,1,,,1（式3.1）式中，Tininini,,,是表示第i個隱含節(jié)點(diǎn)和輸入層節(jié)點(diǎn)之間的權(quán)值向量，i是第i個隱含節(jié)點(diǎn)的閾值；Timinini,,,為網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)之間的權(quán)重向量；xg為隱含層中的激勵函數(shù)，是向量內(nèi)積。圖3.1ELM示意圖通過分析可將式（3.1）用矩陣表達(dá)為：

內(nèi)蒙古科技大學(xué)碩士學(xué)位論文-19-(3)通過公式（3.5）解得輸出權(quán)值矩陣；3.1.2核學(xué)習(xí)理論知識引入核函數(shù)原理到極限學(xué)習(xí)機(jī)中，使其具有參數(shù)少、收斂速度快、泛化性好等特點(diǎn)。但首先介紹核學(xué)習(xí)機(jī)的原理，結(jié)構(gòu)如圖（3.2）所示。圖3.2核學(xué)習(xí)其中，通過數(shù)據(jù)采集到未知分布且相互獨(dú)立的原始信息，然后通過數(shù)據(jù)訓(xùn)練的數(shù)據(jù)模型，最后利用核學(xué)習(xí)機(jī)來構(gòu)造一個適當(dāng)函數(shù)來逼近數(shù)據(jù)模型。(1)正則化現(xiàn)實(shí)中存在的不適應(yīng)性通常由一組線性方程來表示，但由于方程系數(shù)的變化會使方程存在多個解，這不利于結(jié)果分析，因此在1963年Tikhonov提出了正則化理論（RegularizationTheory），用于解決不適應(yīng)性問題，如式（3.8）所示：fxfyLiii,（式3.8）其中，iiixfyL,為線性方程，f是范函數(shù)，為懲罰系數(shù)。當(dāng)為某個常數(shù)時，f則是關(guān)于f的范函數(shù)。正則化表明，當(dāng)人為加入某些先驗(yàn)信息時，限定參數(shù)范圍，縮小了解的空間，這樣就可以穩(wěn)定的逼近問題的解。(2)核學(xué)習(xí)原理若已知某個學(xué)習(xí)算法是基于學(xué)習(xí)準(zhǔn)則，則我們構(gòu)造一個分類函數(shù)，且在構(gòu)造過程中只涉及到樣本點(diǎn)之間的點(diǎn)積運(yùn)算，那么我們就可以通過引入核函數(shù)，將樣本從向量空間映射到高維特征空間中，通過構(gòu)造其相應(yīng)的核方法來解決[91]。我們稱被映射的高維空間為核空間，其定義可表示為：fFtHffCft,（式3.9）

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)和峭度在軸承故障診斷中的應(yīng)用[J]. 李俊,劉永葆,余又紅.  航空動力學(xué)報(bào). 2019(11)
[2]基于ABC-BP神經(jīng)網(wǎng)絡(luò)預(yù)測鋼筋銹蝕程度[J]. 劉斌云,王鑫,萬其微.  合成材料老化與應(yīng)用. 2019(05)
[3]基于AFSA-BP算法的模糊PID控制器在DMF回收系統(tǒng)中的應(yīng)用[J]. 王華強(qiáng),張博揚(yáng).  測控技術(shù). 2019(10)
[4]蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)的滾動軸承故障分類[J]. 覃愛淞,呂運(yùn)容,張清華,胡勤,孫國璽.  計(jì)算機(jī)測量與控制. 2019(05)
[5]基于性能退化的數(shù)控機(jī)床剩余壽命預(yù)測[J]. 鄧超,陶志奎,吳軍,錢有勝,夏爽.  機(jī)械工程學(xué)報(bào). 2018(17)
[6]基于DGA的粗糙集與人工魚群極限學(xué)習(xí)機(jī)的變壓器故障診斷[J]. 雷帆,高波,袁海滿,吳廣寧,段宗超.  高壓電器. 2017(10)
[7]雙時間尺度下的設(shè)備隨機(jī)退化建模與剩余壽命預(yù)測方法[J]. 張正新,胡昌華,司小勝,張偉.  自動化學(xué)報(bào). 2017(10)
[8]基于監(jiān)督學(xué)習(xí)的核拉普拉斯特征映射的FCM算法[J]. 馬莉,杜小榮.  工業(yè)儀表與自動化裝置. 2016(04)
[9]函數(shù)型數(shù)據(jù)分類中的穩(wěn)健主成分分析[J]. 孟銀鳳,梁吉業(yè).  小型微型計(jì)算機(jī)系統(tǒng). 2016(07)
[10]基于遺傳算法改進(jìn)極限學(xué)習(xí)機(jī)的變壓器故障診斷[J]. 呂忠,周強(qiáng),周琨,陳立,申雙葵.  高壓電器. 2015(08)

博士論文
[1]核極限學(xué)習(xí)機(jī)的理論與算法及其在圖像處理中的應(yīng)用[D]. 李小冬.浙江大學(xué) 2014
[2]復(fù)雜系統(tǒng)的故障診斷及容錯控制研究[D]. 袁侃.南京航空航天大學(xué) 2010
[3]復(fù)雜裝備診斷維護(hù)系統(tǒng)關(guān)鍵技術(shù)研究[D]. 費(fèi)勝巍.南京理工大學(xué) 2007

碩士論文
[1]基于主成分分析改進(jìn)算法的人臉識別研究[D]. 丁碧薇.山東師范大學(xué) 2019
[2]基于極限學(xué)習(xí)機(jī)的分類問題研究與應(yīng)用[D]. 王博林.遼寧師范大學(xué) 2018



本文編號：3601335