面向機械故障預診的聚類方法研究.pdf

1、隨著科學技術的進步和工業(yè)化水平的提高，機械設備不斷趨向大型化、連續(xù)化、精密化和智能化，其組成和結構越來越復雜，對性能指標的要求也越來越高，從而增加了設備發(fā)生故障的潛在可能性。設備的關鍵部件發(fā)生故障和失效，將會直接影響企業(yè)的正常生產，造成巨大的經濟損失。顯然，傳統(tǒng)的事后維修和定期維修的維修方式已不能適應大型或復雜設備正常、高效和安全運行的需求。采用先進的智能維護方式，研究故障預診技術，以達到在故障發(fā)生前對設備進行預測和預防的目的，對于實現

2、設備的近零故障運行，具有重要的科學理論意義和工程應用價值。
　　設備故障與特征之間并不存在簡單的一一對應關系，一種故障可能對應著多種特征，反之，一種特征也可能由于多種故障所致，不同設備具有各自的特征變化規(guī)律，準確獲得反映設備運行狀態(tài)的特征是對設備進行有效預診的前提，因此，特征選擇直接關系到早期故障診斷的準確性和故障預診結果的正確性。而聚類分析是一項重要的數據分析技術，它能夠更好地發(fā)現信號特征的全局分布模式以及特征之間的內在聯系，通

3、過分析每個簇的特點，并對某些簇做進一步的分析，從而實現對反映設備運行狀態(tài)的特征進行有效選擇。現有的聚類算法都是從個體實用性的角度去研究算法，而沒有多層面、多角度的對聚類算法進行綜合研究。本文從原始信號中的確定性特征、不確定性特征和關聯性特征的角度進行了聚類分析方法的研究，為設備的故障預診提供了技術支撐。
　　本文從統(tǒng)計學的角度研究了K-means聚類方法，解決了具有確定性特征的平穩(wěn)信號的聚類問題，為設備的故障預診提供了支持方法。針

4、對K-means算法聚類個數需要預先給定和對初始聚類中心具有敏感性等缺點，提出了基于變長染色體的自適應優(yōu)化K-means聚類方法。設計了組合交叉算子和變異算子，解決了變長染色體遺傳操作的適應性；建立了種群局部最優(yōu)程度指標，評價了種群局部最優(yōu)程度；設計了交叉概率算子和變異概率算子，解決了自適應調整遺傳控制參數；建立了基于D-S證據理論的適應度函數模型，獲取了更優(yōu)的各簇質心點。基于葉片材料疲勞破壞實驗數據，通過提取葉片材料的確定性特征(最大

5、應力值、最小應力值和最大與最小應力值的絕對值和)，應用該方法準確實現了葉片材料四種疲勞狀態(tài)的聚類劃分。
　　針對非平穩(wěn)信號中頻域特征存在的不確定性，從人工智能的角度研究了模糊傳遞閉包法，通過對非平穩(wěn)信號中不確定性特征的聚類分析，實現了具有明確物理意義的特征選擇。為了實現準確地選取閾值，提出了基于D-S證據理論的聚類有效性評價方法?；诘毒吣p實驗數據，應用基于D-S證據理論的模糊傳遞閉包法選擇了反映刀具磨損狀態(tài)的頻域特征，通過選擇

6、的頻域特征準確實現了刀具五種磨損狀態(tài)的聚類劃分。
　　從群體智能的角度研究了蟻群聚類方法，解決了具有關聯性特征的相互關聯信號的聚類問題。針對平均相似性函數模型存在的不合理性，建立了基于灰色關聯分析的平均相似性函數模型；利用Sigmoid函數和余弦函數改進策略的非線性調整思想，提出了求解概率轉換函數的方法。針對隨機產生的比較概率與螞蟻環(huán)境變換的不一致性，設計了動態(tài)調節(jié)比較概率模型；通過增加的異常值處理方法，加快了算法的收斂速度?；?/p>