基于無監(jiān)督學(xué)習(xí)的狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)研究.pdf

1、為了降低機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)和故障診斷的復(fù)雜性并提高診斷能力.該學(xué)位論文從模式識(shí)別的角度出發(fā),結(jié)合機(jī)器學(xué)習(xí)領(lǐng)域有關(guān)無監(jiān)督學(xué)習(xí)的最新研究成果,研究了非線性映射方法曲元分析(Curvilinear Component Analysis,CCA)、自組織特征映射(Self-Organizing Feature Maps, SOFM)網(wǎng)絡(luò)、非線性了隱變量模型生成拓?fù)溆成?Generative Topographic Mapping,GTM)在特征提

2、取、故障模式識(shí)別和狀態(tài)監(jiān)測(cè)中的應(yīng)用,旨在為研究機(jī)械設(shè)備的狀態(tài)變化與工藝參數(shù)、狀態(tài)信息之間復(fù)雜的內(nèi)在關(guān)系,為機(jī)械設(shè)備故障模式、診斷知識(shí)的獲取以及設(shè)備故障識(shí)別、狀態(tài)監(jiān)測(cè)等提供新方法、新工具,并進(jìn)一步豐富和發(fā)展機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)和故障診斷智能化的基礎(chǔ)理論,促進(jìn)智能化診斷的理論與方法實(shí)用化.論文從特征提取角度出發(fā),討論了CCA方法實(shí)現(xiàn)非線性降維映射的算法原理、步驟,研究了高維數(shù)據(jù)的本征維數(shù)提取方法,在此基礎(chǔ)上提出了基于CCA的設(shè)備狀態(tài)特征提取方法