【摘要】： 數(shù)據(jù)挖掘是一個(gè)復(fù)雜的過程，而針對(duì)時(shí)間序列具有維數(shù)高和動(dòng)態(tài)性等特點(diǎn)，如何高效地對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行挖掘是一個(gè)十分有意義的研究課題。本文對(duì)時(shí)間序列數(shù)據(jù)非線性檢驗(yàn)、降噪、分割等數(shù)據(jù)挖掘中的預(yù)處理工作進(jìn)行了研究，并將時(shí)間序列數(shù)據(jù)挖掘技術(shù)引入機(jī)械故障診斷領(lǐng)域；通過應(yīng)用實(shí)例，驗(yàn)證了這些方法和理論。論文主要完成工作如下： 1)時(shí)間序列數(shù)據(jù)非線性檢驗(yàn)研究 提出了一種隨機(jī)迭代修正幅值的傅立葉變換(SIAFFT)算法和KS檢驗(yàn)統(tǒng)計(jì)量相結(jié)合的時(shí)間序列數(shù)據(jù)非線性檢驗(yàn)方法，通過對(duì)弱非線性信號(hào)、強(qiáng)非線性信號(hào)以及含噪信號(hào)的檢驗(yàn)，該方法均能得到正確的判斷結(jié)果。與傳統(tǒng)方法相比，該方法收斂速度快，具有較強(qiáng)的抗噪聲能力，對(duì)非線性信號(hào)具有較高的敏感性。 2)全局投影算法用于降噪和故障特征提取 全局投影降噪算法具有良好的適用性，運(yùn)算效率和降噪效果明顯優(yōu)于局部投影降噪算法。將全局投影算法應(yīng)用于轉(zhuǎn)子軸心軌跡的提純，比基于諧波小波等的軸心軌跡提純方法運(yùn)算效率高得多。 將全局投影降噪算法和共振解調(diào)技術(shù)相結(jié)合，提出了一種適用于低速重載軸承故障診斷的方法。利用此方法對(duì)某煉鋼廠轉(zhuǎn)爐傾動(dòng)機(jī)構(gòu)懸掛齒輪箱耳軸軸承進(jìn)行故障診斷，診斷結(jié)果與實(shí)際情況相符。 3)基于GG聚類的時(shí)間序列數(shù)據(jù)分割方法 針對(duì)傳統(tǒng)時(shí)間序列分割算法的不足，提出了一種基于GO聚類在線數(shù)據(jù)分割算法。該算法具有自合并功能，能不借助相關(guān)領(lǐng)域?qū)＜业闹С肿詣?dòng)尋找最優(yōu)的分割子集數(shù)，是一種有工程應(yīng)用價(jià)值的數(shù)據(jù)在線分割方法。 4)基于KS檢驗(yàn)的時(shí)序數(shù)據(jù)分類挖掘系統(tǒng) 提出了一種基于KS檢驗(yàn)的時(shí)序數(shù)據(jù)分類挖掘方法，在此方法基礎(chǔ)上，建立了故障分類系統(tǒng)。通過仿真試驗(yàn)和齒輪及軸承的故障診斷，說明該方法在數(shù)據(jù)樣本含有一定噪聲時(shí)也能正確判斷故障類型。該方法算法簡(jiǎn)單、計(jì)算效率高、實(shí)用性強(qiáng)，在機(jī)械故障智能診斷領(lǐng)域具有廣泛的應(yīng)用前景和推廣價(jià)值。 5)改進(jìn)型支持向量機(jī)(ES-SVM)用于時(shí)間序列數(shù)據(jù)趨勢(shì)預(yù)測(cè) 將傳統(tǒng)的基于支持向量機(jī)的時(shí)間序列預(yù)測(cè)方法進(jìn)行改進(jìn)，采用進(jìn)化策略法搜索懲罰因子C，ε不敏感損失函數(shù)和高斯核參數(shù)σ。Lorenz信號(hào)的數(shù)值仿真實(shí)驗(yàn)預(yù)測(cè)結(jié)果證明改進(jìn)后的ES-SVM算法比原SVM算法的預(yù)測(cè)精度更高。另外，由于在工程實(shí)際中所拾取的信號(hào)不可避免地會(huì)含有噪聲，因此，將全局投影算法和ES-SVM相結(jié)合的預(yù)測(cè)方法具有更大的工程應(yīng)用價(jià)值。 6)構(gòu)建基于時(shí)序數(shù)據(jù)挖掘的遠(yuǎn)程監(jiān)測(cè)與診斷系統(tǒng) 作為時(shí)序數(shù)據(jù)挖掘應(yīng)用的重要組成部分，本文以機(jī)械在線監(jiān)測(cè)系統(tǒng)為對(duì)象，對(duì)數(shù)據(jù)倉(cāng)庫(kù)結(jié)構(gòu)、數(shù)據(jù)類型進(jìn)行了探討；并針對(duì)機(jī)械信號(hào)的特點(diǎn)，建立了時(shí)間序列數(shù)據(jù)挖掘快速處理模型。在此基礎(chǔ)上，結(jié)合企業(yè)對(duì)具體遠(yuǎn)程監(jiān)測(cè)與診斷系統(tǒng)的要求，構(gòu)建了基于時(shí)間序列數(shù)據(jù)挖掘的遠(yuǎn)程監(jiān)測(cè)與診斷系統(tǒng)，并成功應(yīng)用于某燒結(jié)廠抽風(fēng)機(jī)。
【學(xué)位授予單位】：武漢科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2006
【分類號(hào)】：TH165.3
【圖文】：

O.244Hz和0.967Hz(為0.244Hz的四倍頻)，與軸承滾動(dòng)體的故障特征頻率及其倍頻相符。功率譜圖中沒有其它明顯的軸承故障特征頻率，因此可以推斷為軸承滾動(dòng)體發(fā)生了故障。在對(duì)懸掛齒輪箱檢修時(shí)發(fā)現(xiàn)，該軸承滾動(dòng)體球面有少量剝落(如圖3.16)。因此，診斷結(jié)果是正確可信的。

在 SQLServer2000平臺(tái)上采用星形模式構(gòu)建機(jī)械監(jiān)測(cè)系統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)，如圖7.1所示。門舜碑仰崢哪初.................團(tuán)哪杯腳腳攀繃斌娜麟摧漱燃黝臻瞬豁羲羹瞅篷耀癮溉彝秦裕癲蔚戴娜該下一云l到習(xí)圖7.1機(jī)械監(jiān)測(cè)系統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)實(shí)體—關(guān)系星形結(jié)構(gòu)圖7.1.4數(shù)據(jù)接口數(shù)據(jù)接口是各類應(yīng)用程序和數(shù)據(jù)倉(cāng)庫(kù)間傳遞數(shù)據(jù)的界面。數(shù)據(jù)接口的選擇將直接影響系統(tǒng)的性能和將來的擴(kuò)展能力。本系統(tǒng)前端數(shù)據(jù)傳輸技術(shù)采用 OPC(OLEforProcessConirol)技術(shù)，OPC是一個(gè)工業(yè)標(biāo)準(zhǔn)，是由幾家主要的自控公司和微軟共同制定的，為客戶提供了一種開放、靈活和標(biāo)準(zhǔn)

【引證文獻(xiàn)】

相關(guān)期刊論文 前1條

1 黃艷林;李友榮;肖涵;呂勇;;基于相空間重構(gòu)與獨(dú)立分量分析的局部獨(dú)立投影降噪算法[J];振動(dòng)與沖擊;2011年01期

相關(guān)博士學(xué)位論文 前2條

1 于秀娟;加工過程的質(zhì)量異常預(yù)測(cè)與診斷方法研究[D];吉林大學(xué);2011年

2 潘冠宇;基于粗糙集和群體智能的數(shù)據(jù)挖掘方法研究[D];吉林大學(xué);2007年

相關(guān)碩士學(xué)位論文 前6條

1 李新磊;基于RS和TSDM的玉米測(cè)產(chǎn)研究[D];吉林農(nóng)業(yè)大學(xué);2011年

2 吳文亮;聚類分析中K-均值與K-中心點(diǎn)算法的研究[D];華南理工大學(xué);2011年

3 劉昆;針對(duì)時(shí)間序列數(shù)據(jù)的時(shí)態(tài)關(guān)聯(lián)規(guī)則挖掘研究[D];云南師范大學(xué);2008年

4 黃艷林;基于非線性時(shí)間序列的機(jī)械故障模式識(shí)別[D];武漢科技大學(xué);2010年

5 王喬;基于CUDA的并行K-means算法在文本聚類的研究[D];吉林大學(xué);2012年

6 趙新萌;基于圖形處理器的K均值算法研究[D];吉林大學(xué);2012年

本文編號(hào)：2725367