版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、狀態(tài)監(jiān)測(cè)和故障診斷對(duì)于維護(hù)并保障設(shè)備安全運(yùn)行具有重要意義。目前,智能故障診斷系統(tǒng)大多需要基于已有類別標(biāo)識(shí)的歷史數(shù)據(jù)建立分類識(shí)別模型,但在工業(yè)實(shí)際生產(chǎn)過(guò)程中,尤其對(duì)于昂貴的重型裝備而言,由于其高可靠性設(shè)計(jì),故障數(shù)據(jù)較少,因此獲取裝備不同狀態(tài)模式下的監(jiān)測(cè)數(shù)據(jù)非常困難,常常存在缺乏性能數(shù)據(jù)和先驗(yàn)知識(shí)的問(wèn)題,如正常樣本數(shù)據(jù)不足、故障樣本數(shù)據(jù)稀缺以及故障模式不完備等問(wèn)題。針對(duì)上述問(wèn)題,本文提出了基于單類學(xué)習(xí)的異常檢測(cè)方法:利用單類正常數(shù)據(jù)樣本完成
2、對(duì)設(shè)備的異常狀態(tài)檢測(cè),并隨著生產(chǎn)過(guò)程中獲取的數(shù)據(jù),逐步建立完整的診斷系統(tǒng)。
針對(duì)異常檢測(cè)方法在設(shè)備狀態(tài)監(jiān)測(cè)和診斷中應(yīng)用時(shí)面臨的三個(gè)關(guān)鍵問(wèn)題:缺乏針對(duì)具體研究對(duì)象的特征選擇技術(shù);缺乏更為準(zhǔn)確和魯棒的異常檢測(cè)模型;缺乏檢測(cè)未知狀態(tài)的在線診斷系統(tǒng),深入研究了相應(yīng)的解決方案和關(guān)鍵技術(shù),開發(fā)了基于特征評(píng)估的異常檢測(cè)算法、基于混合集成的異常檢測(cè)模型以及基于進(jìn)化學(xué)習(xí)的異常檢測(cè)系統(tǒng)等關(guān)鍵技術(shù),在此基礎(chǔ)上,提出了基于單類進(jìn)化學(xué)習(xí)的異常檢測(cè)集成智
3、能診斷系統(tǒng)的整體流程和實(shí)施策略,并以重型軋輥磨床為研究對(duì)象,在其關(guān)鍵部件的性能狀態(tài)監(jiān)測(cè)中進(jìn)行了實(shí)際應(yīng)用驗(yàn)證。主要研究工作包括:
(1)針對(duì)如何在樣本類別缺失下選擇有效特征的問(wèn)題,提出了基于支持向量數(shù)據(jù)描述(SVDD)的特征評(píng)估技術(shù)。在此基礎(chǔ)上設(shè)計(jì)了基于特征評(píng)估的異常檢測(cè)算法,并將該算法在軸承的狀態(tài)檢測(cè)中進(jìn)行了試驗(yàn)驗(yàn)證,結(jié)果表明,特征評(píng)估技術(shù)能夠選擇出可有效區(qū)分不同狀態(tài)的敏感特征,去除那些效果較差甚至影響準(zhǔn)確率的不敏感特征,最終
4、達(dá)到提高異常檢測(cè)算法性能的目的。
(2)針對(duì)如何提高單一的檢測(cè)算法的準(zhǔn)確性、穩(wěn)定性和實(shí)用性問(wèn)題,提出了基于混合集成的異常檢測(cè)模型,構(gòu)建了多種異常檢測(cè)算法混合集成的檢測(cè)模型,設(shè)計(jì)了相應(yīng)的混合算法和集成準(zhǔn)則,提出了檢測(cè)模型實(shí)施的基本流程,并將其在軸承的狀態(tài)檢測(cè)中進(jìn)行了試驗(yàn)驗(yàn)證。結(jié)果表明:當(dāng)用于檢測(cè)的特征敏感性較差,單一的檢測(cè)器性能偏低時(shí),基于加權(quán)集成的混合檢測(cè)模型的檢測(cè)性能得到了很大的提升。
?。?)針對(duì)現(xiàn)有的診斷系統(tǒng)無(wú)法
5、應(yīng)對(duì)隨著獲得的數(shù)據(jù)和狀態(tài)類別的增多,而面臨的未知狀態(tài)的檢測(cè)問(wèn)題,提出了基于進(jìn)化學(xué)習(xí)的異常檢測(cè)系統(tǒng)。設(shè)計(jì)了一種集成異常檢測(cè)與有監(jiān)督學(xué)習(xí)分類器的進(jìn)化式智能診斷系統(tǒng),即使在僅有正常工作狀態(tài)的數(shù)據(jù)時(shí),該系統(tǒng)仍可以通過(guò)自我進(jìn)化學(xué)習(xí),逐步建立起對(duì)未知狀態(tài)的診斷能力。將解決單類分類問(wèn)題的異常檢測(cè)方法擴(kuò)展到多類分類問(wèn)題,并將該系統(tǒng)在軸承的狀態(tài)檢測(cè)中進(jìn)行了試驗(yàn)驗(yàn)證。結(jié)果表明:該系統(tǒng)利用構(gòu)建的單類檢測(cè)器,可以實(shí)現(xiàn)對(duì)未知故障類別的異常檢測(cè)以及自身的進(jìn)化升級(jí),
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于稀疏編碼的設(shè)備狀態(tài)識(shí)別及其重型軋輥磨床監(jiān)測(cè)應(yīng)用.pdf
- 基于信息熵聚類的異常檢測(cè)方法研究.pdf
- 基于系統(tǒng)調(diào)用狀態(tài)機(jī)的異常入侵檢測(cè)方法.pdf
- 基于多維聚類挖掘的異常檢測(cè)方法研究.pdf
- 基于統(tǒng)計(jì)方法的異常數(shù)據(jù)檢測(cè)及其修復(fù).pdf
- 基于狀態(tài)機(jī)的OSPF協(xié)議異常檢測(cè)方法的研究與實(shí)現(xiàn).pdf
- 單類異常網(wǎng)絡(luò)入侵檢測(cè)算法研究.pdf
- 復(fù)雜環(huán)境下人群異常狀態(tài)檢測(cè)方法研究.pdf
- 基于機(jī)器學(xué)習(xí)的異常檢測(cè)研究.pdf
- 基于在線學(xué)習(xí)的異常行為檢測(cè).pdf
- 基于健康狀態(tài)的重型裝備維修計(jì)劃決策與系統(tǒng)研發(fā).pdf
- 時(shí)間序列異常檢測(cè)的聚類方法研究.pdf
- 基于密度的聚類和異常檢測(cè).pdf
- 基于機(jī)器學(xué)習(xí)的異常流量檢測(cè).pdf
- 基于聚類的異常入侵檢測(cè)技術(shù)
- 時(shí)間序列異常點(diǎn)檢測(cè)的Bayes方法及其應(yīng)用研究.pdf
- 非理想狀態(tài)的單樣本人臉識(shí)別方法.pdf
- 基于聚類的異常入侵檢測(cè)技術(shù).pdf
- 基于聚類的異常檢測(cè)技術(shù)的研究.pdf
- 基于SVDD的模擬電路異常檢測(cè)方法研究及應(yīng)用.pdf
評(píng)論
0/150
提交評(píng)論