對設備進行分析最重要的是對設備故障的分析和對性能退化建模兩個部分,本文應用函數(shù)型數(shù)據(jù)分析作為研究方法,對設備進行以上的研究。函數(shù)型數(shù)據(jù)分析是把原始數(shù)據(jù)視為一個整體,然后從整體的角度對數(shù)據(jù)進行分析。其具有的外在條件依賴性、可對不同維度數(shù)據(jù)分析以及可對數(shù)據(jù)從不同角度進行深層次分析等特點,彌補了傳統(tǒng)數(shù)據(jù)分析中的不足,這體現(xiàn)出其具有很好的研究價值。設備的狀態(tài)監(jiān)測首先是對原始信號進行分析,但目前的信號分析只是在原始信號的基礎上對其進行分析,原始信號離散等特點給數(shù)據(jù)分析造成了一定的困難。因此,本文結合函數(shù)型數(shù)據(jù)分析的思想,對設備的狀態(tài)監(jiān)測提出一些新的方法,具體如下:（1）提出了一種基于函數(shù)型主成分分析及核極限學習機的故障診斷方法。針對目前數(shù)據(jù)診斷中準確率及魯棒性較低的問題,利用函數(shù)型數(shù)據(jù)分析具有較高魯棒性的特點,本文首先用函數(shù)型主成分分析提取數(shù)據(jù)中的主成分,再利用核極限學習機作為分類器,對數(shù)據(jù)進行分類,判別出故障類別。通過實驗表明,該方法優(yōu)于傳統(tǒng)判別方法。（2）提出一種基函數(shù)型數(shù)據(jù)分析的退化建模方法。在對設備性能衰退的分析后,利用函數(shù)型數(shù)據(jù)分析整體化的特點,對所有數(shù)據(jù)進行函數(shù)擬合,并應用函數(shù)型主成... 

【文章來源】：內蒙古科技大學內蒙古自治區(qū)

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

化工事故統(tǒng)計

內蒙古科技大學碩士學位論文-17-3極限學習機極限學習機（ExtremeLearningMachine,ELM）是人工神經(jīng)網(wǎng)絡領域中一種新型的算法，是單隱層前饋神經(jīng)網(wǎng)絡更深層次的研究，通過大量增加隨機參數(shù)的隱藏層神經(jīng)元來減少傳統(tǒng)神經(jīng)網(wǎng)絡需要調整過多參數(shù)的問題，使得需要通過訓練進行調整的參數(shù)減少為一個，并且在求解過程中使用解析求解法一次求得全局最優(yōu)的參數(shù)，避免了局部值的情況。3.1極限學習機3.1.1理論知識極限學習機是Huang教授提出的一種特殊的單隱層前饋神經(jīng)網(wǎng)絡，其僅有一個隱含層，后來將它延伸到通用的單隱層前饋神經(jīng)網(wǎng)絡，結構如圖（3.1）所示。如圖可以看出對于N個樣本iiyx,，其中網(wǎng)絡輸入層為Tniniii,,,Rxxxx21，網(wǎng)絡輸出層為Tmimiii,,,Ryyyy21，對于具有L個隱含層節(jié)點的單隱層前饋性神經(jīng)網(wǎng)絡可表示為：NjyxgjLiijii,,1,,,1（式3.1）式中，Tininini,,,是表示第i個隱含節(jié)點和輸入層節(jié)點之間的權值向量，i是第i個隱含節(jié)點的閾值；Timinini,,,為網(wǎng)絡中隱含層節(jié)點和輸出層節(jié)點之間的權重向量；xg為隱含層中的激勵函數(shù)，是向量內積。圖3.1ELM示意圖通過分析可將式（3.1）用矩陣表達為：

內蒙古科技大學碩士學位論文-19-(3)通過公式（3.5）解得輸出權值矩陣；3.1.2核學習理論知識引入核函數(shù)原理到極限學習機中，使其具有參數(shù)少、收斂速度快、泛化性好等特點。但首先介紹核學習機的原理，結構如圖（3.2）所示。圖3.2核學習其中，通過數(shù)據(jù)采集到未知分布且相互獨立的原始信息，然后通過數(shù)據(jù)訓練的數(shù)據(jù)模型，最后利用核學習機來構造一個適當函數(shù)來逼近數(shù)據(jù)模型。(1)正則化現(xiàn)實中存在的不適應性通常由一組線性方程來表示，但由于方程系數(shù)的變化會使方程存在多個解，這不利于結果分析，因此在1963年Tikhonov提出了正則化理論（RegularizationTheory），用于解決不適應性問題，如式（3.8）所示：fxfyLiii,（式3.8）其中，iiixfyL,為線性方程，f是范函數(shù)，為懲罰系數(shù)。當為某個常數(shù)時，f則是關于f的范函數(shù)。正則化表明，當人為加入某些先驗信息時，限定參數(shù)范圍，縮小了解的空間，這樣就可以穩(wěn)定的逼近問題的解。(2)核學習原理若已知某個學習算法是基于學習準則，則我們構造一個分類函數(shù)，且在構造過程中只涉及到樣本點之間的點積運算，那么我們就可以通過引入核函數(shù)，將樣本從向量空間映射到高維特征空間中，通過構造其相應的核方法來解決[91]。我們稱被映射的高維空間為核空間，其定義可表示為：fFtHffCft,（式3.9）

【參考文獻】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡和峭度在軸承故障診斷中的應用[J]. 李俊,劉永葆,余又紅.  航空動力學報. 2019(11)
[2]基于ABC-BP神經(jīng)網(wǎng)絡預測鋼筋銹蝕程度[J]. 劉斌云,王鑫,萬其微.  合成材料老化與應用. 2019(05)
[3]基于AFSA-BP算法的模糊PID控制器在DMF回收系統(tǒng)中的應用[J]. 王華強,張博揚.  測控技術. 2019(10)
[4]蝙蝠算法優(yōu)化極限學習機的滾動軸承故障分類[J]. 覃愛淞,呂運容,張清華,胡勤,孫國璽.  計算機測量與控制. 2019(05)
[5]基于性能退化的數(shù)控機床剩余壽命預測[J]. 鄧超,陶志奎,吳軍,錢有勝,夏爽.  機械工程學報. 2018(17)
[6]基于DGA的粗糙集與人工魚群極限學習機的變壓器故障診斷[J]. 雷帆,高波,袁海滿,吳廣寧,段宗超.  高壓電器. 2017(10)
[7]雙時間尺度下的設備隨機退化建模與剩余壽命預測方法[J]. 張正新,胡昌華,司小勝,張偉.  自動化學報. 2017(10)
[8]基于監(jiān)督學習的核拉普拉斯特征映射的FCM算法[J]. 馬莉,杜小榮.  工業(yè)儀表與自動化裝置. 2016(04)
[9]函數(shù)型數(shù)據(jù)分類中的穩(wěn)健主成分分析[J]. 孟銀鳳,梁吉業(yè).  小型微型計算機系統(tǒng). 2016(07)
[10]基于遺傳算法改進極限學習機的變壓器故障診斷[J]. 呂忠,周強,周琨,陳立,申雙葵.  高壓電器. 2015(08)

博士論文
[1]核極限學習機的理論與算法及其在圖像處理中的應用[D]. 李小冬.浙江大學 2014
[2]復雜系統(tǒng)的故障診斷及容錯控制研究[D]. 袁侃.南京航空航天大學 2010
[3]復雜裝備診斷維護系統(tǒng)關鍵技術研究[D]. 費勝巍.南京理工大學 2007

碩士論文
[1]基于主成分分析改進算法的人臉識別研究[D]. 丁碧薇.山東師范大學 2019
[2]基于極限學習機的分類問題研究與應用[D]. 王博林.遼寧師范大學 2018



本文編號：3601335