智能故障診斷中的機器學(xué)習(xí)新理論及其應(yīng)用研究.pdf

1、學(xué)習(xí)是一切智能系統(tǒng)最根本的特征。機器學(xué)習(xí)是人工智能最具智能特征、最前沿的研究領(lǐng)域之一。智能故障診斷的核心是有效地獲取、傳遞、處理、再生和利用診斷信息，從而具有對給定環(huán)境下診斷對象進行準(zhǔn)確的狀態(tài)識別和狀態(tài)預(yù)測的能力。但由于機器學(xué)習(xí)瓶頸問題的制約，目前，對于不確定性的、隨機性強的以及知識信息冗余或不完備的診斷對象，仍然很難具有較高的診斷智能性。本文圍繞智能故障診斷中機器學(xué)習(xí)這一關(guān)鍵問題，就診斷知識處理中特征知識的多元化表達、冗余特征信息的壓

2、縮和知識挖掘、小樣本診斷信息下的模式分類和故障趨勢預(yù)測等機器學(xué)習(xí)的重點問題進行了較為系統(tǒng)、深入的研究。 論文首先從認(rèn)識論的角度，對故障診斷的本質(zhì)進行了闡釋。用信息論和知識論的有關(guān)理論從認(rèn)知的角度建立了一種基于信息熵的診斷過程信息-知識流描述方法。研究了知識論的發(fā)展現(xiàn)狀，給出了診斷知識的4個公理化結(jié)論，闡明了診斷過程特征信號、領(lǐng)域知識和機器學(xué)習(xí)三者之間的密切關(guān)系，得出了問題可診斷性與認(rèn)知能力和診斷信息的關(guān)系曲線。在此基礎(chǔ)之上，提出

3、了多征兆域綜合特征知識體(M-K)的知識表達概念和體系結(jié)構(gòu)，并簡要綜述了建立多征兆域綜合特征知識體不同側(cè)面征兆的知識自動獲取方法。 針對診斷特征數(shù)據(jù)中的重復(fù)或相似事例樣本和特征參量之間可能存在的相關(guān)性，提出并實現(xiàn)了一種有效的特征數(shù)據(jù)雙向壓縮預(yù)處理方法，從而在不損失數(shù)據(jù)隱含的特征知識的前提下，有效降低學(xué)習(xí)機器的學(xué)習(xí)負(fù)擔(dān)。在進行樣本參量的降維處理時，采用基于主元分析(PCA)的橫向數(shù)據(jù)壓縮方法，有效地去除了各特征參量之間的相關(guān)性。在

4、壓縮樣本數(shù)量時，綜述和比較了現(xiàn)有的各種聚類算法，基于競爭和自組織原理，對借鑒生物體的自然免疫系統(tǒng)中克隆選擇(ClonalSelection)以及免疫網(wǎng)絡(luò)自穩(wěn)定等有關(guān)機理的常規(guī)免疫聚類壓縮算法，作了重要改進，提出了基于主元核相似度的親和力定義方法，增加了抗原數(shù)據(jù)歸一化、近似樣本直接去除等處理步驟，使算法具有更高的執(zhí)行效率和更廣的適應(yīng)性。并以國際上通用的過程控制仿真對象“TennesseeEastman”工廠的實際數(shù)據(jù)進行仿真實驗，驗證了所

5、提方法的有效性。 針對常規(guī)統(tǒng)計學(xué)習(xí)方法是基于訓(xùn)練樣本趨于無窮大時的漸近理論，用其解決小樣本故障診斷是一個不適定問題。論文闡明了在故障模式數(shù)據(jù)難以大量獲取的情況下，研究具有較強推廣能力的學(xué)習(xí)機，對智能故障診斷的重要意義。提出了采用支持向量機(SVM)這一最新機器學(xué)習(xí)方法解決有限樣本情況下的故障分析問題。本文深入的研究了SVM所依賴的統(tǒng)計學(xué)理論基礎(chǔ)，論述了經(jīng)驗風(fēng)險最小化到結(jié)構(gòu)風(fēng)險最小化的統(tǒng)計學(xué)習(xí)變革歷程，推導(dǎo)并設(shè)計了一個SVM學(xué)習(xí)機

6、算法。 論文研究了支持向量機用于故障診斷的關(guān)鍵問題，給出了支持向量機用于故障診斷的基本實現(xiàn)步驟。針對常規(guī)SVM算法是從2類分類問題推導(dǎo)出來的，在解決故障診斷這種典型的多類分類問題時存在的困難，本文提出并設(shè)計了一種體現(xiàn)故障優(yōu)先級的基于SVM的二叉樹多級分類(2PTMC)算法，該方法有別于現(xiàn)有的幾種基于SVM的多類分類方法，具有簡單、直觀，重復(fù)訓(xùn)練樣本少的優(yōu)點。 以柴油機振動故障診斷為實際對象，設(shè)計了運用小波包進行振動信號特

7、征正交分解，建立特征參量的故障特征抽取方法。并利用提出的2PTMC多類分類方法，成功實現(xiàn)了柴油機故障檢測和故障原因判斷的基于SVM的方法和應(yīng)用。通過大量的實驗，作者驗證了SVM理論中有關(guān)參數(shù)的特性，給出了參數(shù)選擇的指導(dǎo)性建議，對學(xué)習(xí)階段的收斂性給出了一個具體的實驗結(jié)果。 在研究了SVM回歸算法的基本原理的基礎(chǔ)之上，提出并實現(xiàn)了基于SVM機器學(xué)習(xí)方法的故障趨勢預(yù)測方法。并以“TennesseeEastman”工廠的實際數(shù)據(jù)進行仿真

8、，驗證了基于SVM回歸算法在故障趨勢預(yù)測上的可行性。研究了在樣本量有限情況下，以ε-不敏感損失函數(shù)的回歸結(jié)果所具有的解的稀疏性，通過大量實驗，研究了ε取值不同對估計結(jié)果的影響，驗證了ε取值對支持向量數(shù)目的控制作用，得出了訓(xùn)練時間與樣本量間的實驗關(guān)系曲線。 最后，針對復(fù)雜工業(yè)系統(tǒng)中廣泛存在的安全性和可靠性問題，僅僅建立故障診斷系統(tǒng)是不能從根本消除事故隱患和避免故障發(fā)生的。論文在研究并借鑒自然免疫系統(tǒng)的有關(guān)機理和人工免疫系統(tǒng)的最新成