本文關(guān)鍵詞：基于模糊推理的五軸數(shù)控機床故障預警系統(tǒng)研究

  更多相關(guān)文章： 多維時間序列模型 相似性分析 K-Means算法 數(shù)據(jù)挖掘 自適應模糊Petri網(wǎng)

【摘要】：在未來的工業(yè)4.0時代,將實現(xiàn)人與設(shè)備“對話”、設(shè)備與設(shè)備“對話”,要求設(shè)備具有智能,將智能方法用于設(shè)備狀態(tài)預測的研究日趨活躍。作為國家的基礎(chǔ)裝備,數(shù)控機床的智能化研究顯得日益重要,本文通過數(shù)據(jù)挖掘技術(shù)對五軸數(shù)控機床實時狀態(tài)數(shù)據(jù)進行知識獲取,運用基于模糊Petri網(wǎng)的推理方法預測五軸數(shù)控機床可能發(fā)生故障的概率,從而達到故障預警的目的。本文重點研究了五軸數(shù)控機床實時狀態(tài)數(shù)據(jù)建模及模型評價、通過數(shù)據(jù)挖掘技術(shù)進行知識獲取以及基于模糊Petri網(wǎng)的故障推理等,主要研究內(nèi)容分為以下四個部分:1.基于時間序列模型的五軸數(shù)控機床實時狀態(tài)數(shù)據(jù)建模研究。五軸數(shù)控機床實時狀態(tài)數(shù)據(jù)具有海量數(shù)據(jù)的特征,本文提出一種多維時間序列模型,在此基礎(chǔ)上建立了設(shè)備狀態(tài)模型、設(shè)備狀態(tài)預測模型、設(shè)備知識獲取模型,并在此基礎(chǔ)上進行了模型度量的定義。2.基于數(shù)據(jù)挖掘的五軸數(shù)控機床故障知識獲取方法研究。通過分析五軸數(shù)控機床的實時狀態(tài)數(shù)據(jù),在設(shè)備知識獲取模型及度量的基礎(chǔ)上,運用相似性預測算法以及聚類分析中的K-Means算法對機床實時數(shù)據(jù)進行挖掘,從而獲取機床實時數(shù)據(jù)所蘊含的知識,預測得到機床未來可能的狀態(tài),為后續(xù)通過知識推理進行機床故障預警奠定了基礎(chǔ)。最后通過對某數(shù)控機床的實時采集數(shù)據(jù)的分析實驗,驗證了模型和算法獲取機床狀態(tài)知識的有效性,并提出了改進的方法。3.基于自適應模糊Petri網(wǎng)(Adapt Fuzzy Petri Net,簡稱AFPN)的五軸數(shù)控機床故障知識推理研究。在通過數(shù)據(jù)挖掘預測了設(shè)備未來的數(shù)據(jù)狀態(tài)之后,使用模糊產(chǎn)生式規(guī)則將經(jīng)驗知識和學習到的故障預測知識表示為AFPN的形式,并通過AFPN的推理遞推公式進行推理,最終得到故障預測結(jié)果,最后通過一個算例驗證了AFPN推理算法的正確性。4.基于Microsoft DotNet平臺開發(fā)了五軸數(shù)控機床故障預警系統(tǒng),實現(xiàn)了基礎(chǔ)數(shù)據(jù)和參數(shù)配置管理以及調(diào)用數(shù)據(jù)挖掘算法進行故障推理的核心功能,并通過不同數(shù)據(jù)進行了應用測試,證明了系統(tǒng)的預警正確性。
【關(guān)鍵詞】：多維時間序列模型 相似性分析 K-Means算法 數(shù)據(jù)挖掘 自適應模糊Petri網(wǎng)
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TG659
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-18
• 1.1 本文研究工作的背景與意義11-12
• 1.2 國內(nèi)外研究歷史與現(xiàn)狀12-16
• 1.2.1 數(shù)控機床故障診斷與預警研究現(xiàn)狀12-13
• 1.2.2 數(shù)控機床實時數(shù)據(jù)建模方法的研究13-14
• 1.2.3 故障知識表示方式的研究14
• 1.2.4 故障知識推理算法的研究14-15
• 1.2.5 故障知識學習算法的研究15-16
• 1.3 本文的主要內(nèi)容16-18
• 第二章 基于時間序列模型的五軸數(shù)控機床實時狀態(tài)數(shù)據(jù)建模研究18-27
• 2.1 五軸數(shù)控機床故障簡介18-19
• 2.2 實時狀態(tài)數(shù)據(jù)建模19-24
• 2.2.1 五軸數(shù)控機床實時狀態(tài)數(shù)據(jù)介紹19-20
• 2.2.2 海量離散時間數(shù)據(jù)介紹20-21
• 2.2.3 時間序列模型21-24
• 2.3 五軸數(shù)控機床狀態(tài)模型的度量24-26
• 2.3.1 設(shè)備狀態(tài)模型特征值定義24
• 2.3.2 設(shè)備狀態(tài)模型特征距離定義24-25
• 2.3.3 設(shè)備狀態(tài)模型度量定義25
• 2.3.4 設(shè)備狀態(tài)模型差異度定義25-26
• 2.4 本章小結(jié)26-27
• 第三章 基于數(shù)據(jù)挖掘的五軸數(shù)控機床故障知識獲取方法研究27-41
• 3.1 知識獲取方法介紹27
• 3.2 數(shù)據(jù)挖掘介紹27-28
• 3.3 五軸數(shù)控機床故障狀態(tài)模型相似性預測28-31
• 3.3.1 序列耦合度及 ε-相似序列定義28-29
• 3.3.2 基于 ε-相似性算法的五軸數(shù)控機床設(shè)備狀態(tài)模型相似預測29-31
• 3.4 五軸數(shù)控機床設(shè)備狀態(tài)模型聚類分析31-35
• 3.4.1 聚類分析介紹31-32
• 3.4.2 基于設(shè)備狀態(tài)知識獲取模型的數(shù)據(jù)挖掘32
• 3.4.3 基于K-Means算法的五軸數(shù)控機床設(shè)備狀態(tài)模型聚類32-35
• 3.5 基于數(shù)據(jù)挖掘的五軸數(shù)控機床實時數(shù)據(jù)知識獲取仿真實驗35-40
• 3.5.1 數(shù)據(jù)建模35-37
• 3.5.2 相似性預測37
• 3.5.3 K-Means聚類分析37-38
• 3.5.4 重構(gòu)設(shè)備狀態(tài)預測模型38-39
• 3.5.5 實驗結(jié)論及改進方法39-40
• 3.6 本章小結(jié)40-41
• 第四章 基于模糊Petri網(wǎng)的五軸數(shù)控機床故障知識推理研究41-53
• 4.1 知識庫介紹41-42
• 4.1.1 知識表示介紹41-42
• 4.1.2 知識推理介紹42
• 4.2 基于模糊Petri網(wǎng)的機床故障知識推理42-48
• 4.2.1 自適應模糊Petri網(wǎng)（AFPN）介紹42-45
• 4.2.2 基于AFPN的故障知識推理算法45-46
• 4.2.3 基于AFPN對故障預測模型進行知識推理46-47
• 4.2.4 五軸數(shù)控機床故障知識自學習規(guī)則47-48
• 4.3 AFPN知識推理算法實驗48-52
• 4.4 本章小結(jié)52-53
• 第五章 五軸數(shù)控機床故障預警系統(tǒng)的開發(fā)與應用53-68
• 5.1 系統(tǒng)開發(fā)平臺及架構(gòu)54-55
• 5.1.1 系統(tǒng)開發(fā)平臺54
• 5.1.2 系統(tǒng)開發(fā)架構(gòu)54-55
• 5.2 五軸數(shù)控機床故障預警系統(tǒng)總體設(shè)計55-57
• 5.3 系統(tǒng)詳細設(shè)計與實現(xiàn)57-63
• 5.3.1 基礎(chǔ)數(shù)據(jù)管理57-60
• 5.3.2 實時數(shù)據(jù)管理60
• 5.3.3 故障實時預警60-63
• 5.4 故障預警系統(tǒng)測試與結(jié)果分析63-67
• 5.5 本章小結(jié)67-68
• 第六章 總結(jié)與展望68-70
• 6.1 本文的主要研究結(jié)論68
• 6.2 下一步工作展望68-70
• 致謝70-71
• 參考文獻71-75

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 袁洪芳,江志農(nóng);FMS故障診斷專家系統(tǒng)知識獲取子系統(tǒng)的開發(fā)[J];北京化工大學學報(自然科學版);2002年04期

2 王曉恩;劉志浩;葉永偉;;基于模糊專家系統(tǒng)的風機預警策略研究[J];機械制造;2011年01期

3 陳舵;李雪;崔杜武;費蓉;;一種基于模糊度的聚類有效性函數(shù)[J];模式識別與人工智能;2008年01期

4 米根鎖;王彥快;馬學霞;;BP神經(jīng)網(wǎng)絡(luò)在軌道電路分路不良預警中的應用[J];計算機工程與科學;2013年02期

5 張崇剛;郭旭輝;黃昭婷;黃智剛;;模糊理論在故障診斷專家系統(tǒng)中的應用[J];中國測試技術(shù);2008年05期

6 余濤,王晶,高峰,束洪春;水電機組故障診斷的集成知識表示與推理[J];中國電機工程學報;2000年04期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 楊正益;制造物聯(lián)海量實時數(shù)據(jù)處理方法研究[D];重慶大學;2012年

，

本文編號：734249