机械设备运行状态特征提取与模式分类中的智能方法研究-机械制造及其自动化专业论文.docx

华中科技大学博士学位论文摘要 华中科技大学博士学位论文 摘要 为了提高特征选择与提取的可靠性，降低机械设备运行状态监测和故障诊断的 复杂性并提高其精度，本论文从模式识别的角度出发，结合相关领域的现有必威体育精装版研 究成果，对监测与诊断所涉及的诸多方面进行研究。 首先总结了复杂机械设备运行状态监测和故障诊断的特殊性，使后面的研究工 作有了立足点。 第二，从两方面研究了故障特征参数的选择方法·卜是利用粗糙集理论的属性 约简功能，提出了两个可用于属性约简的启发式函数(条件决策关联度和Fisher判 别函数)，利用这些函数建立了基于启发式知识的属性约简方法，有效地克服了属性 约简中的NP问题。在基于启发式知识的属性约简的基础上，提出了粗糙主成分分析 方法(RgPCA)，与一般的PCA相比，P键PCA较好地克服了干扰输入的影响：简化 了主成分的表示式；在一定程度上削弱了野点数据的影响，提高了分析的鲁棒性； 充分考虑了分类的要求，更符合故障诊断和状态监测的要求。二是通过多层前馈神 经网络实现特征选择功能，从模式识别的角度上看，多层前馈神经网络可视为特征 的选择中。厂由于采用了非线性变换，因此基于核的特征提取方法非常适合于解决特 征提取中的非线性问题。然而，采用基于核的特征提取方法所需的运算时间和内存 开销随样本数目的增加迅速增大，到一定的数目后，失去了可操作性。通过主动学 习，可对样本集中的学习样本进行选择，从而大大降低运算规模。在本论文中，作 者还将主动学习方法融众到$VM分类中，基本出发点也是降低SVM设计过程中涉 及到的优化规模。／7y 第四，分析了神经网络的性能，讨论了神经网络在特征提取和模式分类中的应 用，针对一类相对特殊的模式分类问题，提出了一种新型的遗传神经网络模型，并 将其应用到状态监测与故障诊断中。 第五，提出了两种适合于故障诊断的SVM模型，一是等风险的SVM模型，／从 模式识别的角度出发，采用SVM构造的分类面是建立在等错误率概念上的，而非等 风险概念上的。然而，对于机械设备运行状态监测和故障诊断而言，两类误判(错 判和漏判)所造成的损失是不相等的。为此，作者提出了等风险的$VM模型，使得 分类面上的样本划分到不同类别所造成的损失是相等的；)二是两类样本数目相差较 大时的SVM模型。f机械设备一般都运行在正常状态下，7甚至有些故障状态在设备的 有效使用期内都不会出现．因此。样本集中不同粪剥的样本数目存在掇大的差异， 华中科技大学博士学位论文正常状态样本数目远大于故障状态样本数目，本文提出的相应SVM模型可以有效地 华中科技大学博士学位论文 正常状态样本数目远大于故障状态样本数目，本文提出的相应SVM模型可以有效地 克服由此产生的影响。／-’ 最后，完善了基于核的野点检测方法，结合机械设备运行状态监测实时性的要 求，提出了基于支持对象的优化方法，大大降低了在确定正常域范围中涉及到的优 化规模。f从本质上讲，机械设备的状态监测是一个一类分类问题，因此，其核心研 究内容是如何确定正常域范围，正常域之外的范围即为异常状态所处的区域。在基 于核方法的异常状态检测中，运算工作量主要取决其中涉及的优化规模。由于对于 大样本集而言，支持对象数目远小于样本集中全体样本的数目，因此，仅对支持对 象进行优化可以成数量级地减少运算工作量。 在基于核方法的奇异状态检测中，还提出了在属性空间中基于距离的样本选择 方法，此举达到了两个目的：降低了在确定正常域范围中涉及到的优化规模；对于 大多数样本而畜，仅需要比较距离即可判断该样本点是否对正常域边界的构成有贡 献。 由于人工智能技术本身处在不断发展的过程中，同时机械设备又日趋大型化、 复杂化和高度自动化，使得这方面研究还有待于进一步深入。人／／ 关键词：机械设备故障诊断人工智能统计学习理论支持向量机 Ⅱ 华中科技大学博士学位论文Abstract 华中科技大学博士学位论文 Abstract In order to develop the rcliability of feature selection and extraction，reduce the complexity and improve the precision of running condition monitoring and fault diagnosis for mechanical device，from the point of view of pattern recognition and combined the latest research results，some aspects involved in condition monitoring and fault diagnosis are studied in the