機(jī)械故障診斷中基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法研究.pdf

1、隨著生產(chǎn)的發(fā)展，機(jī)械故障診斷的重要性越來越明顯。傳統(tǒng)的診斷技術(shù)和理論方法對(duì)于具有多故障、多過程、突發(fā)性故障的現(xiàn)代化機(jī)械設(shè)備，往往顯示出較大的局限性，難以從大量的故障信息中發(fā)現(xiàn)原因和準(zhǔn)確地診斷機(jī)械故障。而數(shù)據(jù)挖掘是從大型數(shù)據(jù)庫或數(shù)據(jù)倉庫中發(fā)現(xiàn)并提取隱藏在其中的信息的一種新技術(shù)，它能從數(shù)據(jù)倉庫中自動(dòng)分析數(shù)據(jù)，進(jìn)行歸納性推理，從中挖掘出潛在的模式；或者產(chǎn)生聯(lián)想，建立新的業(yè)務(wù)模型，幫助決策者做出正確的決策。數(shù)據(jù)挖掘研究和實(shí)踐表明：知識(shí)就隱藏在日

2、常積累下來的大量數(shù)據(jù)之中，然而僅靠復(fù)雜的算法和推理并不能發(fā)現(xiàn)知識(shí)。人工智能技術(shù)，特別是神經(jīng)網(wǎng)絡(luò)技術(shù)與數(shù)據(jù)挖掘的結(jié)合為機(jī)械故障診斷的研究指出了一條新的道路。 首先，本文對(duì)機(jī)械故障診斷、數(shù)據(jù)挖掘的研究現(xiàn)狀、發(fā)展趨勢(shì)及應(yīng)用領(lǐng)域進(jìn)行了綜述，闡述了數(shù)據(jù)挖掘、神經(jīng)網(wǎng)絡(luò)的基本概念、基本模型和實(shí)現(xiàn)方法。其次，針對(duì)數(shù)據(jù)挖掘具體的研究內(nèi)容，提出并實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘中的數(shù)據(jù)準(zhǔn)備的一般處理方法和基于自組織神經(jīng)網(wǎng)絡(luò)的聚類分析的模型和算法，并對(duì)算法進(jìn)行

3、了改進(jìn)。 最后，根據(jù)基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘的研究成果，進(jìn)行了軸承和齒輪的故障診斷研究。研究內(nèi)容主要包括：問題定義、數(shù)據(jù)準(zhǔn)備和預(yù)處理、數(shù)據(jù)挖掘，以及結(jié)果的解釋和評(píng)估。首先通過傳感器測得軸承及齒輪在正常和非正常狀態(tài)下的信號(hào)；然后對(duì)所得數(shù)據(jù)進(jìn)行歸一化；考慮到數(shù)據(jù)比較龐大，利用曲元分析進(jìn)行降維；再利用自組織神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)對(duì)不同狀態(tài)下的輸入具有明顯不同的輸出。文中利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱來實(shí)現(xiàn)上述算法。實(shí)例仿真表明，這個(gè)算法可