基于聚类的故障诊断技术研究

论文摘要

20世纪80年代以后,以微电子和计算机为代表的自动化大型设备得到了广泛的应用,同时这些设备的故障诊断变得越来越困难,因此各国都很重视故障诊断技术的研究。本文针对故障诊断技术的特点,采用聚类和神经网络相结合的方法,在一定程度上提高了故障诊断系统的智能化程度。通过对K-均值,DBSCAN、CURE、STING、ART（自适应谐振理论）等聚类算法的研究,并对各种算法的性能进行了分析,得出神经网络中的ART算法更适用于故障诊断。因为ART不但继承了神经网络快速的处理速度、学习能力、联想能力,还兼顾了聚类算法的无监督性能,这就一定程度上提高了故障诊断系统的智能化程度。本文针对ART算法中的ART1和ART2做了重点研究。由于ART1只能处理二值数据,因此本文首先采用基于阈值的数据转化方法将数据转化成ART1可以处理的数据形式,然后用基于广义矩阵的0-1特征选择方法,缩减输入ART1网络的数据的维数。针对ART2可以处理模拟数据的特点,本文首先采用基于最大-最小规范化的数据转化方法对数据进行归一化处理,然后使用基于一致性的特征选择方法降低输入ART2网络的数据维数。针对ART2在处理低维数据时出现的聚类不准确现象,提出了用改变初始权值大小的方法提高聚类的准确性。另外,由于ART2算法出现的聚类中心随着输入模式偏移的现象,严重影响诊断结果正确性,本文采用ART2算法与K-均值算法相结合的方法,有效的抑制聚类中心漂移。由于基于一致性的特征选择方法存在数值特征取值范围难以确定的缺点,本文采用灰色理论建立预测模型的方法,有效的克服了这一问题。最后,通过Visual C++ 6.0和SQL Server 2000两种软件相结合验证了以上方法的可行性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 故障诊断的研究现状及发展
• 1.1.1 研究背景
• 1.1.2 研究现状
• 1.1.3 系统模型
• 1.1.4 关键技术
• 1.2 聚类算法的研究现状
• 1.2.1 简介
• 1.2.2 主要问题
• 1.3 本文研究内容
• 第二章 故障诊断中的预处理方法
• 2.1 故障诊断中的数据预处理
• 2.2 信号的预处理方法
• 2.3 数据转化
• 2.3.1 基于阈值的数据转化方法
• 2.3.2 基于最大-最小规范化的数据转化方法
• 2.4 特征选择
• 2.4.1 基于一致性的特征选择方法
• 2.4.2 基于一致性的特征选择方法改进
• 2.4.3 基于广义差异矩阵的0-1 特征选择方法
• 2.5 本章小结
• 第三章 聚类算法在故障诊断中的应用
• 3.1 聚类概述
• 3.1.1 相似性测量
• 3.1.2 数值属性的相似性测量方法
• 3.1.3 符号属性的相似性测量
• 3.1.4 样本集与相似度测量
• 3.2 聚类算法的分类
• 3.2.1 分裂聚类方法
• 3.2.2 层次聚类方法
• 3.2.3 基于密度的聚类方法
• 3.2.4 基于网格的聚类方法
• 3.2.5 基于模型的聚类方法
• 3.2.6 各种聚类方法应用于故障诊断的比较
• 3.3 ART1 算法在故障诊断中的应用
• 3.3.1 自适应谐振理论（ART）
• 3.3.2 ART1 网络结构及算法
• 3.3.3 基于ART1 网络的故障诊断系统的实现
• 3.4 ART2 算法在故障诊断中的应用
• 3.4.1 ART2 网络模型及算法
• 3.4.2 基于ART2 网络的故障诊断系统的实现
• 第四章 ART2 改进算法的故障聚类研究
• 4.1 ART2 处理低维数据的改进
• 4.1.1 对ART2 算法的权值初始化的改进
• 4.1.2 结果验证
• 4.2 ART2 改进算法的故障聚类
• 4.2.1 ART2 算法聚类中心偏移产生的原因分析
• 4.2.2 ART2 改进算法
• 4.2.3 ART2 改进算法聚类结果比较
• 第五章 故障诊断系统的软件实现
• 5.1 开发环境
• 5.2 关键技术
• 5.2.1 ODBC建立数据源
• 5.2.2 Visual C++6.0 连接ODBC数据源的工程
• 5.3 故障诊断系统演示
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 工作展望
• 致谢
• 参考文献
• 研究成果