基于數(shù)據(jù)驅(qū)動的轉(zhuǎn)子故障特征信息建模方法研究.pdf

1、隨著信息科學(xué)技術(shù)的快速發(fā)展，計算機技術(shù)與各種智能儀表在機械裝備的監(jiān)測中獲得了廣泛應(yīng)用，反映系統(tǒng)運行狀態(tài)的海量過程數(shù)據(jù)被采集并存儲下來，但是存在著“數(shù)據(jù)豐富，但信息匱乏”的缺陷。利用這些離、在線運行數(shù)據(jù)，采用智能數(shù)據(jù)分析算法，建立起一種能夠科學(xué)描述機械裝備運行狀態(tài)的量化特征模式，實現(xiàn)對機械裝備信息化技術(shù)發(fā)展中機器故障的智能自動辨識，具有非常積極地奠定作用。
　　為此，本文從反映機械裝備信息特點的量化特征模式構(gòu)造出發(fā)，基于數(shù)據(jù)挖掘的知

2、識發(fā)現(xiàn)原理，圍繞著利用智能數(shù)據(jù)分析工具，開展基于數(shù)據(jù)驅(qū)動的故障監(jiān)測診斷方法的研究工作。通過采用數(shù)據(jù)驅(qū)動故障診斷的常用算法，重點對反映機械裝備信息特點的量化特征模式構(gòu)造及不均衡故障數(shù)據(jù)集的分類方法進行探討，為量化描述機組運行狀況，實現(xiàn)對故障模式的在線診斷提供依據(jù)。本文主要研究工作包括以下幾個方面的內(nèi)容:
　　(1)介紹多域特征的提取方法，對KPCA-SVM的故障數(shù)據(jù)分類方法進行研究，并對該方法在轉(zhuǎn)子系統(tǒng)故障診斷中的應(yīng)用情況進行探討。

3、
　　(2)針對故障信息的量化特征描述問題，提出了一種特征選擇與特征信息融合的加權(quán)KPCA方法。首先對單個通道的振動信號提取時域、頻域和時頻域的多域特征參量，通過特征選擇方法篩選出利于故障模式辨識的敏感特征;其次融合多通道的敏感特征，得到融合特征向量;然后采用加權(quán)KPCA方法提取出融合特征向量的核主成分。通過SVM分類器的實驗驗證情況表明，該算法可有效辨識出不同故障類型。
　　(3)針對不均衡故障數(shù)據(jù)分類精度低，辨識效率不高

4、的問題，提出了一種基于滑動窗口相似性因子分析方法。該方法引入滑動窗口技術(shù)，通過分析目標(biāo)數(shù)據(jù)與歷史數(shù)據(jù)的PCA相似性因子，從舊的過程數(shù)據(jù)中篩選出與診斷目標(biāo)相似的數(shù)據(jù)，構(gòu)成待選數(shù)據(jù)池;然后采用距離相似性因子，從待選數(shù)據(jù)池中選擇出與目標(biāo)數(shù)據(jù)最相似的數(shù)據(jù)用于輔助訓(xùn)練。將該方法用于轉(zhuǎn)子故障的不均衡數(shù)據(jù)分類中，在不同偏斜率下采用KPCA-SVM方法進行故障分類。結(jié)果表明，該方法可有效地改善分類決策邊界，降低由樣本不均衡而引起的誤診斷率。