机械设备集群大数据系统研究与应用.pdf

《机械设备集群大数据系统研究与应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、电工文摘／产品与应用机械设备集群大数据系统研究与应用沈阳鼓风机集团股份有限公司张建茹郭庆丰闫强华电福新能源股份有限公司甘肃分公司李乐赵礼永捕耍：对设备进行连续的数据采集与储存的基础上，获得反映设备状态的数据，系统通过对获得的大数据进行处理以及研究。从而对设备的健康状态进行一个合理的评估。为了有效地监测机组异常变化以及进行机组状态评估，必须选取合理的特征参量，并对这些参量进行监控。通过结合自动设置报警门限以及与特征参量门限值相关联的报警策略，实现了系统对机组的运行状态监测、异常识别、状态评估。甚至是故障部位识别。建立智能诊断系统。关键词：大数据采集与存储状态监测数据分析

2、故障诊断门限位1大数据存储是以Google／Yahoo为代表的互联网企业兴起的Map(映射)／Reduce(化简)计算，一类是微软提出的Dryad并传统关系型数据库已不能满足互联网应用需求的情况行计算模型。下，开始出现一些针对结构化、半结构化甚至非结构化数据的管理系统。在这些系统中，数据通常采用多副本的方式进行存储，保证系统的可用性和并发}生；采用较弱的一3机械设备运行工况智能识别技术致性模型(如最终一致性模型)，在保证低延时的用户相现行大数据有结构化、半结构化与非结构化之分，对应的同时，维持复本之间的一致状态；并且都提供良好的于结构化大数据(大规模样本+高维变量)，

3、研究了大数负载平衡策略和容错手段。据分类分析方法，主要包括：支持向量分位数回归、神经按照数据管理方式划分，集中式数据管理系统和非集网络分位数回归、L1Logit回归、大规模数据分位数回归中式数据管理系统两大类。等。这些大数据分类分析方法，能够准确地识别机械设备运行工况，具体过程如下：2大数据处理第一，收集所监测机械设备历年来的运行工况参数，基于对其工况特点的统计分析，给出对其工况的合理分段在信息时代，互联网已经成为了世界范围内最大的数(确定工况类别数)；据仓库。如何快速地从这些海量数据中抽取出关键的信息用以提高互联网应用的质量、用户体验等，已经成为了互第二，根据正常工

4、况下机械设备的功率、针对幅值等信号，将每一组工况参数分到不同的类中，形成带有类别联网企业之间竞争的关键技术问题。同时，大规模数据处标签的样本集；理的研究，也是DISC应用研究的关键问题。第三，利用这些样本训练支持向量分位数回归、神经解决大规模数据处理的方法就是并行计算。将大量网络分位数回归、L1Logit回归、大规模数据分位数回归数据分散到多个节点上，将计算并行化，利用多机的计等，得到相应的模型(估计出模型参数)；算资源，从而加快数据处理的速度。目前，这种并行计第四，将此模型应用到机械设备，则可以通过输入算主要分为三大类，一类是广泛应用于高性能计算的MPI当前的工况参

5、数到此模型，模型会自动给出当前工况的类(MessagePassingInterface，消息传递接口)技术，一类别。电工文摘／产品与应用4神经网络分位数回归模型的应用Huber准则矗)是(绝对误差)准则和(平方现实中，解释变量和响应变量之间的关系模式不一定误差)准则的混合使用，准则用于描述绝对值误差项大是线性的，非线性关系即使存在，其函数形式也很难准确l于给定阈值8的值，准则用于描述绝对值误差项确定，主要表现为：非线性函数)的形式很难选择和小于给定阈值8的值：设计。常见的做法是将非线性函数进行线性近似：局部多。≤项式展开或B一样条基函数展开，使用线性分位数回归方)j’

6、川法逼近非线性分位数回归结果，局部多项式分位数回归与一B一样条分位数回归就是其中的典型代表。或者可以使用三，非参数方法解决非线性函数误设问题，即建立非参数分位这个方程准则提供了绝对误差和平方误差在原点处的数回归模型。平稳过渡。Huber?／~1]可以被用来逼近损失函数，新的逼神经网络分位数回归(QRNN)~Taylor(2000)首近损失函数为次提出，是一种灵活的非参数的分位数回归建模方法。分位数回归神经网络将分位数回归和神经网络的优点相结合，表现出强大的功能：一方面，通过分位数回归方法可，以揭示解释变量对响应变量整个条件分布的影响；另一方面，通过神经网络结构可以模拟

7、解释变量对响应变量的非线性影响模式。因此，此时标准的基于梯度的优化算法可以被用于优化模型参数。O~QRNN模型的参数向量可以使用逼近损因此，由前文介绍，进一步考虑神经网络的分失函数位数回归问题，我们就可以得到神经网络分位数回归(QRNN)模型(argT一6))，，fr，、11(rl)：，(，(r】，=g{∑(f)Il∑(+(r)lI+6(『)}LJ‘tL＼l。I／JJ~-g~b，为防止神经网络出现过度拟合现象，可以对式中，权重向量w(‘)与阈值向量b(‘)都依赖于分位QRNN模型的误差项增加一个二次惩罚项，因此可有点‘的变化。特别地，当隐层转换函数g