转子故障数据分类方法研究与实验台测试信息系统开发

《转子故障数据分类方法研究与实验台测试信息系统开发》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、兰州理工大学硕士学位论文转子故障数据分类方法研究与实验台测试信息系统开发姓名：马再超申请学位级别：硕士专业：机械制造及其自动化指导教师：赵荣珍20120601硕士学位论文摘要随着信息技术、控制理论和人工智能等领域的快速发展，旋转机械故障诊断技术已逐渐呈现出自动化、实时化、智能化等信息化技术水平偏低，难以满足先进工业生产实际应用需求的问题。因此，将传统机械设备拓展为具有控制自动化、监测实时化和诊断智能化等功能特性于～体的机械装备信息化装置，将成为机械故障智能诊断研究的前沿。其中故障数据分类的科学问题研究，已成为提高故障模式辨识技术水平的核心内容。本项研究

2、以旋转机械核心部件一转子系统为研究对象，综合利用常用统计特征与数据挖掘方法，对故障特征数据的分类问题重点开展了研究，并采用虚拟仪器技术，开发了一套双跨转子实验台振动实验测试与反馈控制系统。开展的具体研究工作内容和获得的主要结果如下：1)在分析常用统计特征测度的基础上，筛选并从信号中提取出具备表征转子不同运行状态能力的特征向量，以此建立的故障特征数据集表现出维数过高与可分性差的问题。在此基础上，总结出经典数据集降维方法存在着非线性因素干扰、降维准则不足的问题。2)通过公式推导，归纳出主成分分析(PCA)法和费歇判别分析(FDA)法的本质与内在联系。以上述

3、理论分析为前提，提出了一种偏费歇判别分析(BFDA)的数据集降维方法，并进行实例验证，结果表明，BFDA法在达到FDA法降维性能的基础上，具有更低的算法复杂度。3)在提出将核主成分分析(KPCA)法与费歇判别分析法相结合实施数据集降维的基础上，推导出以费歇准则建立粒子群优化算法适应度函数中存在的等价关系。并进一步提出将KPCA法与BFDA法相结合的数据集降维方法，提出基于偏费歇准则的粒子群优化方案。将提出的两种降维算法应用于特征数据集降维，并将降维结果输入至设计的分类器进行分类验证，分类效果均较显著。4)利用虚拟仪器技术，开发了一套双跨转子实验台振动实

4、验测试与反馈控制的软件平台，全面拓展了现有转子系统的软硬件功能，且该平台具有人机交互界面直观，开发、维护便捷，功能易扩展等特点。并在常规控制与监测功能实现的前提下，对状态信息监测功能中存在的若干难点进行了研究与开发。研究表明，特征数据集中包含了大量能够反映转子运行状态的信息，故如何在数据集挖掘算法研究中获得新突破，及如何将取得的研究成果合理地嵌入于自动化测控系统，将是故障诊断领域开展研究工作的重要方向。关键词：自动化测试；反馈控制；智能诊断；数据集降维；数据分类本项研究得到国家自然科学基金项目(50875118、51165019)和兰州理工大学校基金项

5、目联合资助．转子故障数据分类方法研究与实验台测试信息系统开发AbstractWiththerapiddevelopmentofinformationtechnology，controllingtheoryandartificialintelligence，rotatingmachineryfaultdiagnosistechnologyappearslowinformatizationlevelofautomation，real-timeandintelligentialization，whichcannotsatisfytherealityappli

6、cationrequirementsinadvancedindustrialproduction．Therefore，traditionalmechanicalequipmenttriestoextendtotheintegratedeviceofmechanicalequipmentandinformation，whichhasthecharacteristicsofcontrollingautomation，real．timemonitoringanddiagnosingintelligentialize，willbecomethefrontier

7、ofmechanicalfaultintelligentdiagnosistechnology．Thescienceproblemresearchoffaultdataclassificationhasbecomingthecorecontentwhichcanimprovefaultpatternrecognitiontechnology．Thisstudytooktherotorsystemwhichisthecorecomponentofrotatingmachineryastheresearchobject，madeuseofcommonsta

8、tisticalfeaturesanddataminingmethodscomprehensi