發(fā)布時(shí)間：2023-04-22 21:28

　　近年來,信息技術(shù)和工業(yè)物聯(lián)網(wǎng)的高速發(fā)展推動(dòng)了制造業(yè)革命性的創(chuàng)新和突破。以德國“工業(yè)4.0”為代表,多個(gè)國家相繼推出多種措施吸引制造業(yè)回流,提升制造業(yè)智能化水平。我國作為全球制造業(yè)中心,提出實(shí)施制造強(qiáng)國戰(zhàn)略第一個(gè)十年的行動(dòng)綱領(lǐng)《中國制造2025》,加快推進(jìn)智能制造,這是落實(shí)兩化深度融合、打造制造強(qiáng)國的戰(zhàn)略舉措,更是我國制造業(yè)緊跟世界發(fā)展趨勢(shì)、實(shí)現(xiàn)轉(zhuǎn)型升級(jí)的關(guān)鍵所在�？梢�,運(yùn)用大數(shù)據(jù)等先進(jìn)技術(shù)理念,推動(dòng)智能制造發(fā)展,已成為大勢(shì)所趨。隨著信息技術(shù)與智能技術(shù)的深度融合,獲取大型機(jī)械裝備在生產(chǎn)過程中不斷涌現(xiàn)的海量運(yùn)行數(shù)據(jù)變得更為容易,使得借助大數(shù)據(jù)分析方法對(duì)故障類型進(jìn)行有效診斷和預(yù)測(cè)成為智能制造領(lǐng)域的研究熱點(diǎn)。但面對(duì)海量的新增運(yùn)行數(shù)據(jù),傳統(tǒng)的機(jī)器學(xué)習(xí)方法無法滿足實(shí)時(shí)處理需求,且裝備的狀態(tài)和屬性會(huì)隨時(shí)間變化而發(fā)生改變,新增數(shù)據(jù)的潛在信息對(duì)裝備當(dāng)前狀態(tài)和未來運(yùn)行趨勢(shì)有更重要的價(jià)值。增量學(xué)習(xí)雖然能夠在保存大部分已經(jīng)學(xué)習(xí)到知識(shí)的同時(shí),不斷地從新數(shù)據(jù)中學(xué)習(xí)新的知識(shí)。但在故障診斷領(lǐng)域,增量生成的數(shù)據(jù)流具有海量、非平衡、高噪聲、強(qiáng)因果關(guān)聯(lián)等特點(diǎn),如不加以處理將會(huì)嚴(yán)重影響診斷效果。針對(duì)上述問題,本研究根據(jù)機(jī)械裝...

【文章頁數(shù)】：75 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 裝備故障診斷的研究現(xiàn)狀
        1.2.2 增量學(xué)習(xí)的研究現(xiàn)狀
        1.2.3 非平衡數(shù)據(jù)處理的研究現(xiàn)狀
    1.3 本文工作和貢獻(xiàn)
        1.3.1 研究內(nèi)容
        1.3.2 創(chuàng)新點(diǎn)
    1.4 本文結(jié)構(gòu)安排
第二章 相關(guān)理論基礎(chǔ)
    2.1 增量學(xué)習(xí)
    2.2 非平衡數(shù)據(jù)處理
        2.2.1 反向K近鄰與K近鄰
        2.2.2 合成少數(shù)類過采樣技術(shù)
    2.3 深度學(xué)習(xí)
        2.3.1 自動(dòng)編碼器
        2.3.2 去噪自動(dòng)編碼器
    2.4 本章小結(jié)
第三章 基于增量融合的動(dòng)態(tài)深度學(xué)習(xí)模型
    3.1 動(dòng)態(tài)融合增量學(xué)習(xí)
        3.1.1 模式相似度計(jì)算
        3.1.2 模式增量與合并原則
        3.1.3 動(dòng)態(tài)融合權(quán)重計(jì)算
        3.1.4 基于動(dòng)態(tài)融合的增量學(xué)習(xí)
    3.2 基于增量融合的動(dòng)態(tài)深度學(xué)習(xí)模型
        3.2.1 模型結(jié)構(gòu)
        3.2.2 模型流程
    3.3 具體實(shí)現(xiàn)
    3.4 本章小結(jié)
第四章 基于數(shù)據(jù)驅(qū)動(dòng)增量融合的螺旋式故障診斷方法
    4.1 非平衡數(shù)據(jù)處理
        4.1.1 基于反向K近鄰的多數(shù)類欠采樣算法
        4.1.2 基于K近鄰的少數(shù)類過采樣算法
        4.1.3 基于劃分近鄰的重采樣模型
    4.2 特征提取及分類
    4.3 有效實(shí)例選擇
    4.4 特征和實(shí)例動(dòng)態(tài)評(píng)價(jià)
        4.4.1 特征動(dòng)態(tài)遺忘權(quán)重
        4.4.2 實(shí)例動(dòng)態(tài)遺忘權(quán)重
    4.5 基于數(shù)據(jù)驅(qū)動(dòng)增量融合的螺旋式方法
    4.6 具體實(shí)現(xiàn)
    4.7 本章小結(jié)
第五章 故障診斷實(shí)驗(yàn)結(jié)果及分析
    5.1 數(shù)據(jù)描述
    5.2 模型參數(shù)與結(jié)構(gòu)
        5.2.1 IMDDL模型
        5.2.2 IMH方法
            5.2.2.1 非平衡數(shù)據(jù)處理中的k值
            5.2.2.2 分類模型結(jié)構(gòu)
    5.3 結(jié)果分析
        5.3.1 IMDDL模型性能分析
        5.3.2 IMH方法性能分析
            5.3.2.1 非平衡數(shù)據(jù)處理性能
            5.3.2.2 增量學(xué)習(xí)性能
        5.3.3 IMDDL模型與IMH方法性能比較
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間所取得的相關(guān)科研成果
致謝



本文編號(hào)：3798428