隨著科學(xué)技術(shù)的飛速發(fā)展和市場(chǎng)競(jìng)爭(zhēng)的日益激烈,工業(yè)生產(chǎn)表現(xiàn)出大型化、分布化、高速化、自動(dòng)化和復(fù)雜化等特點(diǎn)。由于這些大型系統(tǒng)一般都是作為能源、石化、冶金以及其他國(guó)民經(jīng)濟(jì)支柱產(chǎn)業(yè)中的關(guān)鍵設(shè)備,一旦發(fā)生故障,輕則降低生產(chǎn)效率,重則設(shè)備停機(jī)、生產(chǎn)停頓,有時(shí)甚至發(fā)生機(jī)毀人亡的惡性事故,造成災(zāi)難性的后果。所以,有計(jì)劃、有組織、有針對(duì)地對(duì)關(guān)鍵設(shè)備進(jìn)行實(shí)時(shí)監(jiān)測(cè)與診斷,做到盡早地發(fā)現(xiàn)設(shè)備在運(yùn)行過(guò)程中的各種隱患,從而防止災(zāi)難性事故的發(fā)生,成為機(jī)械設(shè)備故障診斷系統(tǒng)面臨和解決的首要問(wèn)題。數(shù)據(jù)挖掘、信息融合理論以及現(xiàn)代計(jì)算機(jī)、測(cè)試、信號(hào)分析處理等技術(shù)的發(fā)展,為機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷提供了一種嶄新的解決方案。本文在分析了機(jī)械故障診斷的現(xiàn)狀、發(fā)展趨勢(shì)以及數(shù)據(jù)挖掘、信息融合技術(shù)對(duì)于機(jī)械故障診斷的重要性的基礎(chǔ)上,主要從事了以下幾點(diǎn)研究: (1) Bently轉(zhuǎn)子臺(tái)模擬故障試驗(yàn):Bently轉(zhuǎn)子臺(tái)是一個(gè)通用的轉(zhuǎn)子故障模擬試驗(yàn)平臺(tái),本文使用的故障診斷數(shù)據(jù)來(lái)自該試驗(yàn)臺(tái)。本文共模擬轉(zhuǎn)子的5種運(yùn)行狀態(tài),一種為正常狀態(tài),另四種為故障狀態(tài)包括不平衡、碰摩、渦動(dòng)以及不平衡+碰摩。 (2)信息融合包括數(shù)據(jù)層、特征層和決策層三個(gè)層次的融合,數(shù)據(jù)層融合數(shù)據(jù)量巨大,計(jì)算效率較低。因此,本文首先從特征融合角度,研究利用多特征來(lái)提高故障診斷的精度。本文使用的診斷特征有三類(lèi),包括時(shí)域統(tǒng)計(jì)指標(biāo)(6維)、頻域幅值譜(13維)以及時(shí)頻域小波能量譜(25維),采用PCA進(jìn)行特征融合。基于Bently轉(zhuǎn)子臺(tái)的試驗(yàn)數(shù)據(jù)診斷分析表明,基于PCA的特征融合診斷方法有效地提高了故障診斷的精度。 (3)為了有效地利用數(shù)據(jù)挖掘的先進(jìn)技術(shù),對(duì)數(shù)據(jù)挖掘中兩種分類(lèi)方法C4.5決策樹(shù)以及SVM進(jìn)行了改進(jìn)。根據(jù)Fayyad邊界點(diǎn)判定定理,改進(jìn)了C4.5算法連續(xù)屬性離散化過(guò)程中最優(yōu)閾值的選擇方法,提高了連續(xù)屬性離散化效率。根據(jù)傳統(tǒng)SVM的不足,提出一種支持向量機(jī)決策樹(shù)(SVM Decision Tree, SVMDT)分類(lèi)模型。它解決了“1對(duì)1”與“1對(duì)多”策略下SVM分類(lèi)方法的拒識(shí)問(wèn)題,同時(shí)它對(duì)輸出結(jié)果進(jìn)行了的概率賦值,方便了后續(xù)的決策融合。在此基礎(chǔ)上,以C4.5決策樹(shù)、SVMDT以及后向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)作為基本分類(lèi)方法,分別針對(duì)三種特征進(jìn)行診斷決策,最后采用改進(jìn)D-S證據(jù)合成理論進(jìn)行決策融合。試驗(yàn)數(shù)據(jù)的診斷分析表明,基于多特征、多分類(lèi)器的信息融合方法能夠大大提高故障診斷精度。 (4)為了確定決策融合時(shí)多分類(lèi)器的選擇以及說(shuō)明多分類(lèi)器決策融合對(duì)于提高診斷精度的有效性,本文從分類(lèi)器間的差異性角度對(duì)多分類(lèi)器融合進(jìn)行了研究,同時(shí)給出一種有效差異性(Efficient Diversity, ED)度量指標(biāo)作為分類(lèi)器選擇與融合的依據(jù)。有效差異度ED越大說(shuō)明分類(lèi)器間的差異性越大,分類(lèi)器決策融合后對(duì)診斷精度的提高越顯著。 (5)基于數(shù)據(jù)挖掘的過(guò)程模型,結(jié)合信息融合思想與方法,設(shè)計(jì)了一種新的基于數(shù)據(jù)挖掘與信息融合的知識(shí)獲取與故障診斷系統(tǒng)框架結(jié)構(gòu)。該系統(tǒng)包括數(shù)據(jù)采集、數(shù)據(jù)變換、特征選擇、特征融合、單一分類(lèi)器故障診斷、規(guī)則或模型知識(shí)表示、決策融合等模塊。實(shí)驗(yàn)室測(cè)試以及某風(fēng)機(jī)監(jiān)測(cè)診斷的現(xiàn)場(chǎng)應(yīng)用驗(yàn)證了系統(tǒng)設(shè)計(jì)的有效性。
【學(xué)位單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2006
【中圖分類(lèi)】：TH165.3
【部分圖文】：

油膜渦動(dòng)和徑向碰摩+不平衡。通過(guò)模擬上述狀態(tài)，獲取轉(zhuǎn)子不同信號(hào)，并進(jìn)行特征提取，獲得后續(xù)章節(jié)所需實(shí)驗(yàn)數(shù)據(jù)。裝置簡(jiǎn)介 轉(zhuǎn)子實(shí)驗(yàn)臺(tái) RK4 主要包括馬達(dá)、基座裝置、馬達(dá)速度控制裝置、傳可選件。模擬不同的機(jī)器狀態(tài)可以選擇不同的可選件。如圖 2-1 為

圖2-2 Bently 轉(zhuǎn)子實(shí)驗(yàn)臺(tái)油膜渦動(dòng)部件Fig.2-2 The main components of Bently rotor kit for whirl所用到的設(shè)備還包括：示波器、交流無(wú)級(jí)調(diào)速器、電渦流傳感器、微機(jī)和數(shù)據(jù)采集軟件等。驗(yàn)參數(shù)和實(shí)驗(yàn)設(shè)置ently 轉(zhuǎn)子實(shí)驗(yàn)臺(tái)模擬機(jī)器正常、不平衡、徑向碰摩和徑向碰摩+不平衡態(tài)時(shí)的實(shí)驗(yàn)參數(shù)如表 2-1。(其中四種故障為輕度故障狀態(tài)。)ently 轉(zhuǎn)子實(shí)驗(yàn)臺(tái) RK4 上模擬正常、不平衡、徑向碰摩和徑向碰摩+不平，實(shí)驗(yàn)臺(tái)設(shè)置如下：?jiǎn)伪P(pán)進(jìn)行機(jī)器狀態(tài)模擬。把軸承塊固定在如圖 2-1 所示的基座的兩端，在轉(zhuǎn)軸的中間部位。把一個(gè)固定塊 A 固定在最靠近圓盤(pán)的左側(cè)，用于固時(shí)把另一個(gè)固定塊 B 以圓盤(pán)為中心，對(duì)稱(chēng)地安裝在圓盤(pán)的右側(cè)，用于安

軸的直徑D10mm徑向碰摩和徑向碰摩+不平衡轉(zhuǎn)軸跨度l505mm不平衡狀態(tài) 不平衡質(zhì)量 m1.2g, 2.0g徑向碰摩+不平衡 不平衡質(zhì)量 m1.0g, 1.2g, 1.4g兩圓盤(pán)之間的間隙 0.25cm轉(zhuǎn)子和靜子之間的間隙 0.5cm軸長(zhǎng)L450mm轉(zhuǎn)軸跨度l410mm油膜渦動(dòng)軸頸D25mm在 Bently 轉(zhuǎn)子實(shí)驗(yàn)臺(tái) RK4 上模擬油膜渦動(dòng)時(shí)，實(shí)驗(yàn)臺(tái)設(shè)置如下：選擇雙盤(pán)進(jìn)行機(jī)器狀態(tài)模擬。雙盤(pán)固定在軸上靠近軸頸的位置，兩圓盤(pán)之間的間隙為 0.25cm。離軸頸最遠(yuǎn)的圓盤(pán) A 到軸頸的距離為 0.5cm，預(yù)載框固定在靠近圓盤(pán) 的左側(cè)，距離為 0.5cm，用于抵消重力對(duì)轉(zhuǎn)軸的影響，控制轉(zhuǎn)軸任意的偏心率。傳感器在相互垂直的水平和垂直方向固定在透明的油膜軸瓦上(Fluid film bearing)。如圖2-3 所示。

【引證文獻(xiàn)】

相關(guān)期刊論文 前3條

1 魯峰;黃金泉;;航空發(fā)動(dòng)機(jī)部件性能參數(shù)融合預(yù)測(cè)[J];航空學(xué)報(bào);2009年10期

2 程龍;蔡遠(yuǎn)文;;數(shù)據(jù)挖掘C4.5算法的編程設(shè)計(jì)與增量學(xué)習(xí)改進(jìn)[J];計(jì)算技術(shù)與自動(dòng)化;2009年04期

3 薛峰;;數(shù)據(jù)挖掘在數(shù)字圖書(shū)館中的應(yīng)用[J];山東教育學(xué)院學(xué)報(bào);2010年04期

相關(guān)博士學(xué)位論文 前4條

1 魯峰;航空發(fā)動(dòng)機(jī)故障診斷的融合技術(shù)研究[D];南京航空航天大學(xué);2009年

2 劉應(yīng)吉;車(chē)輛狀態(tài)監(jiān)測(cè)與故障診斷新方法研究[D];東北大學(xué);2008年

3 黃標(biāo);胃腸道多元醫(yī)學(xué)信息無(wú)創(chuàng)遙測(cè)系統(tǒng)及胃腸動(dòng)力功能分析[D];上海交通大學(xué);2008年

4 張金江;基于多智能體技術(shù)的變電站設(shè)備信息集成研究[D];浙江大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 劉廣;數(shù)據(jù)挖掘在風(fēng)力發(fā)電機(jī)組故障診斷中的應(yīng)用[D];蘭州理工大學(xué);2011年

2 姜碧波;基于數(shù)據(jù)挖掘的故障診斷方法研究[D];天津理工大學(xué);2011年

3 趙芬;數(shù)據(jù)挖掘在光纖故障診斷中的應(yīng)用研究[D];華北電力大學(xué);2011年

4 陳振坤;民用航空器基于案例推理的故障診斷系統(tǒng)設(shè)計(jì)[D];上海交通大學(xué);2011年

5 張衛(wèi)華;電網(wǎng)事故處理智能輔助決策系統(tǒng)的研究[D];華南理工大學(xué);2011年

6 張海燕;數(shù)據(jù)挖掘技術(shù)應(yīng)用于大學(xué)圖書(shū)館系統(tǒng)研究[D];南京信息工程大學(xué);2008年

7 宋斌;基于數(shù)據(jù)挖掘技術(shù)的故障測(cè)試與診斷方法研究[D];西安電子科技大學(xué);2009年

8 李哲;支持向量機(jī)融合方法的研究[D];武漢理工大學(xué);2009年

9 鄭佩;基于案例推理的故障診斷技術(shù)研究[D];華中科技大學(xué);2008年

10 楊易e

本文編號(hào)：2833031