時序數(shù)據(jù)挖掘及其在故障診斷中的應用研究.pdf

1、數(shù)據(jù)挖掘是一個復雜的過程，而針對時間序列具有維數(shù)高和動態(tài)性等特點，如何高效地對時間序列數(shù)據(jù)進行挖掘是一個十分有意義的研究課題。本文對時間序列數(shù)據(jù)非線性檢驗、降噪、分割等數(shù)據(jù)挖掘中的預處理工作進行了研究，并將時間序列數(shù)據(jù)挖掘技術引入機械故障診斷領域；通過應用實例，驗證了這些方法和理論。論文主要完成工作如下： 1)時間序列數(shù)據(jù)非線性檢驗研究提出了一種隨機迭代修正幅值的傅立葉變換(SIAFFT)算法和KS檢驗統(tǒng)計量相結合的時間序列數(shù)據(jù)

2、非線性檢驗方法，通過對弱非線性信號、強非線性信號以及含噪信號的檢驗，該方法均能得到正確的判斷結果。與傳統(tǒng)方法相比，該方法收斂速度快，具有較強的抗噪聲能力，對非線性信號具有較高的敏感性。 2)全局投影算法用于降噪和故障特征提取全局投影降噪算法具有良好的適用性，運算效率和降噪效果明顯優(yōu)于局部投影降噪算法。將全局投影算法應用于轉子軸心軌跡的提純，比基于諧波小波等的軸心軌跡提純方法運算效率高得多。 將全局投影降噪算法和共振解調(diào)技

3、術相結合，提出了一種適用于低速重載軸承故障診斷的方法。利用此方法對某煉鋼廠轉爐傾動機構懸掛齒輪箱耳軸軸承進行故障診斷，診斷結果與實際情況相符。 3)基于GG聚類的時間序列數(shù)據(jù)分割方法針對傳統(tǒng)時間序列分割算法的不足，提出了一種基于GG聚類在線數(shù)據(jù)分割算法。該算法具有自合并功能，能不借助相關領域專家的支持自動尋找最優(yōu)的分割子集數(shù)，是一種有工程應用價值的數(shù)據(jù)在線分割方法。 4)基于KS檢驗的時序數(shù)據(jù)分類挖掘系統(tǒng)提出了一種基于K

4、S檢驗的時序數(shù)據(jù)分類挖掘方法，在此方法基礎上，建立了故障分類系統(tǒng)。通過仿真試驗和齒輪及軸承的故障診斷，說明該方法在數(shù)據(jù)樣本含有一定噪聲時也能正確判斷故障類型。該方法算法簡單、計算效率高、實用性強，在機械故障智能診斷領域具有廣泛的應用前景和推廣價值。 5)改進型支持向量機(ES-SVM)用于時間序列數(shù)據(jù)趨勢預測將傳統(tǒng)的基于支持向量機的時間序列預測方法進行改進，采用進化策略法搜索懲罰因子C，ε不敏感損失函數(shù)和高斯核參數(shù)σ。Loren

5、z信號的數(shù)值仿真實驗預測結果證明改進后的ES-SVM算法比原SVM算法的預測精度更高。另外，由于在工程實際中所拾取的信號不可避免地會含有噪聲，因此，將全局投影算法和ES-SVM相結合的預測方法具有更大的工程應用價值。 6)構建基于時序數(shù)據(jù)挖掘的遠程監(jiān)測與診斷系統(tǒng)作為時序數(shù)據(jù)挖掘應用的重要組成部分，本文以機械在線監(jiān)測系統(tǒng)為對象，對數(shù)據(jù)倉庫結構、數(shù)據(jù)類型進行了探討：并針對機械信號的特點，建立了時間序列數(shù)據(jù)挖掘快速處理模型。在此基礎上