基于NRST的轉(zhuǎn)子故障數(shù)據(jù)集屬性約簡方法研究.pdf

1、如何從海量數(shù)據(jù)中，挖掘出有用信息，尋找出數(shù)據(jù)之間蘊(yùn)含的反映機(jī)械設(shè)備運(yùn)行狀況規(guī)律，解決復(fù)雜診斷建模難的問題，實(shí)現(xiàn)對(duì)故障模式智能化識(shí)別，成為當(dāng)前急切需要解決的問題。然而采集到的反映復(fù)雜機(jī)械系統(tǒng)運(yùn)行狀況的工業(yè)數(shù)據(jù)往往夾雜著大量噪音，具有較強(qiáng)的非線性和耦合性，嚴(yán)重影響了有效信息的獲取，且目前單一的故障診斷模型無法有效的對(duì)復(fù)雜的機(jī)械系統(tǒng)做出全面的診斷。
　　針對(duì)以上問題，本文開展了鄰域粗糙集理論（Neighborhood Rough Set

2、 Theory，NRST）與其它數(shù)據(jù)驅(qū)動(dòng)方法結(jié)合的轉(zhuǎn)子故障模式識(shí)別方法的研究工作，重點(diǎn)對(duì)NRST的屬性約簡方法及NRST結(jié)合統(tǒng)計(jì)分析及機(jī)器學(xué)習(xí)的方法進(jìn)行了探討。本文的主要工作概況及取得的研究成果如下：
　　(1)介紹NRST的定義及前向貪心屬性約簡方法，充分利用了NRST能直接處理連續(xù)數(shù)值型屬性的優(yōu)勢(shì)，提出以轉(zhuǎn)子工頻倍頻為條件屬性以故障類型為決策屬性構(gòu)建NRST決策表進(jìn)行特征提取的方法并且結(jié)合典型故障類別的頻率譜特性分析了可行性。

3、實(shí)驗(yàn)結(jié)果也同時(shí)證明該方法獲取的特征屬性更符合物理意義，避免了離散化過程中關(guān)鍵屬性的丟失。
　　(2)在NRST屬性約簡的基礎(chǔ)上，提出了NRST結(jié)合費(fèi)舍判別（FDA）對(duì)故障類別進(jìn)行分類的方法，求出了判別函數(shù)和累積判別能力，探討了二次降維和去冗余后對(duì)故障模式識(shí)別的影響，完成了數(shù)據(jù)從高維到低維的映射，實(shí)現(xiàn)了低維下的故障分類效果。實(shí)驗(yàn)結(jié)果證明該方法在特征屬性少的情況下能夠達(dá)到同樣的識(shí)別正確率，從而可以節(jié)省存儲(chǔ)空間提高運(yùn)算效率。
　　

4、(3)為了尋求高效、準(zhǔn)確的故障診斷方法，同時(shí)也為了探討NRST屬性約簡對(duì)機(jī)器學(xué)習(xí)的影響，提出了NRST結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)（RBFNetwork）對(duì)故障類別辨識(shí)的方法，選用高斯標(biāo)準(zhǔn)函數(shù)作為徑向基函數(shù)，采用自組織選取中心法確定基函數(shù)中心、寬度及連接權(quán)重。實(shí)驗(yàn)結(jié)果證明該方法明顯縮短了建模時(shí)間，提高了識(shí)別準(zhǔn)確率，值得推廣。
　　(4)為了解決知識(shí)的存儲(chǔ)與發(fā)現(xiàn)難的問題，推動(dòng)智能化診斷技術(shù)的發(fā)展，設(shè)計(jì)了基于WEKA數(shù)據(jù)挖掘平臺(tái)連接MySQL數(shù)