基于半监督高斯过程的钢绳性能评估研究开题报告.docVIP

目 录 1. 研究背景及意义 3 2. 国内外研究现状 6 2.1. 设备性能评估方法 6 2.1.1.基于神经网络的方法 7 2.1.2.基于统计学习理论的方法 8 2.1.3.基于贝叶斯学习理论的方法 10 2.1.4.基于系统模型的方法 10 2.2. 高斯过程分类 11 2.3. 半监督学习 13 2.3.1基于约束的半监督学习 14 2.3.2.基于距离相似度的半监督学习 14 2.3.3.基于模型的半监督学习 15 2.3.4.基于密度的半监督学习 15 3. 研究的主要内容和技术路线 16 3.1. 研究的主要内容 16 3.2. 技术路线及具体研究步骤 17 3.2.1.技术路线图 17 3.2.2.研究思路 18 3.2.3.选取实验数据 19 3.2.4.分析常见的方法 19 3.2.5.分析总结 19 3.3. 主要创新点 20 4. 进度安排 20 5. 参考文献 20 基于的 研究背景及意义 为确保煤矿提升设备的安全运行，《煤矿安全规程》对提升钢丝绳做了详细的规定，第401条：提升装置使用的钢丝绳做定期检验时，安全系数有下列情况之一时必须更换，①专为升降人员用的小于7；②升降人员物料用的钢丝绳，升降人员时小于7，升降物料时小于6；③专为升降物料和悬挂吊盘用的小于5。根据煤矿钢丝绳使用经验，除少数钢丝绳由于断丝、磨损等超出《规程》外，大多数采用定期更换的方法，由于检测手段落后，无法掌握使用中钢丝绳的损伤情况、疲劳程度，使钢丝绳的安全管理存在着一定的隐患。[7]，可以减少备件消耗和优化备件储存，缩短设备停机时间，使设备保持在高性能状态并将故障消灭在萌芽状态，预测性维修的缺点是系统初始安装费用高[8]。因此，它对最大限度降低故障所带来的危害，缩短维修时间，对于避免巨额的经济损失和灾难性事故有着重要的实际意义。 进入20世纪90年代以来，随着人工智能技术的迅速发展，特别是知识工程、专家系统和人工神经网络以及机器学习方法在诊断领域中的进一步应用，机械设备故障诊断技术得到了智能化、自动化的发展，出现了智能维护[9](Intelligent Maintenance)模式。它作为一种更加先进的维修模式，有别于以上三种方式，除了基于状态的维修之外，还能根据现有的历史维修记录，对未来设备性能的趋势进行预测预报，为设备的维修提供更加可靠与科学的决策依据，可以实现主动维修 (Proactive Maintenance)或者预测性维修(Predictive Maintenance)，这样更加有助于避免维修不足或者维修过剩，提高生产的能效比。 深入研究煤矿设备钢丝绳性能评估，改变传统的被动设备维修模式 FAF(Fail and Fix)，促使维修制度从事后维修、定期维修、视情维修向预测维修方向发展。实现主动维护模式PAP(Predict and Prevent)，避免因钢丝绳而引起的灾难性事故，提高钢丝绳的利用率，缩短钢丝绳的停机维修时间，这对于提高煤矿企业的经济效益和社会效益，促进国民经济发展具有十分重要的意义。同时，将钢丝绳性能评估技术用于指导企业生产、优化设备管理、提高企业综合竞争力，是工程实际的迫切需要，也是故障诊断技术与性能评估技术发展的必然趋势[10]。 综上所述，开展煤矿设备及其关键部件钢丝绳的性能评估研究，以达到对提升设备故障的防微杜渐、防患于未然的目的，具有重要的科学理论意义和工程应用价值。现代矿山生产也正在进行信息化改革，为提高效率，利用计算机科学技术设计出煤矿的专家系统，分析设备中常易出现的故障并做出自动分析，对设备进行势在必行。 国内外研究现状 它广泛的应用于统计分类以及回归分析中，为学习机提供一个样本集及其相应的分类标识。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的[]。SVM根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳方案，以期获得最好的推广能力。[32]将 SVM 模式分类方法应用于注塑机的状态监测中，以避免生产过程中的意外发生；Ganyun[33]将多层 SVM 分类器对电力变压器进行了故障诊断；Widodo[34]讨论了如何将 SVM 应用于滚动轴承等零件的状态监测与故障诊断中；王红军[35]还将 SVM 应用于机电设备的状态预测研究中，并与 AR 模型进行了比较，结果表明 SVM 对于设备状态的预测有较好的预示能力。 支持向量数据描述(SVDD, support vector data descripition)是单值分类法的一种，由Tax和Duin[36]提出发展起来的，其理论同样源于Vapnik提出的统计学习理论。与支持向量机的最优超平面不同的是，支持向量描述算法寻求一个包容目标