基于云计算的组合方法在电机故障诊断中的研究

摘要

当前随着社会经济和科学技术的不断发展，各类电机出现在工业生产和人们的日常工作中并且它所起到的作用也越来越大。而电机的故障一旦发生，轻则会影响人们的生产生活，重则会危害人的生命安全以及造成严重的经济损失。因此，为了满足工业自动化对电机的高品质需求，研究应用于诊断电机故障的方法在现代生活中具有重大意义。随着科技的不断发展，电机诊断更需要准确性和快速性，也就导致在电机故障诊断领域存在一些技术难题。例如高维故障数据的特征提取不精确导致诊断精度低的难题、单一诊断方法的局限性、较低的运算效率等问题。基于上述情况，本文主要研究了等谱流形学习算法、狼群算法、组合诊断模型以及云计算来解决问题，并最后通过美国凯斯西储大学的数据作为实例进行仿真验证。具体内容概况如下：
　　本文首先针对电机故障的高维数据在提取特征集时不精确导致其诊断精度低的问题，引入了等谱流形学习算法进行降维处理，即采用此算法对经过主成分分析降维处理后的数据进行二次降维，此算法通过其修正后的稀疏重构权矩阵构建邻接图，使得经降维后同类样本更聚集，不同类样本更疏散，有效实现了高维数据的去冗降维，最后将其和主成分分析进行比较分析，其效果显著。
　　然后针对诊断精度易受其等谱流形学习算法、最小二乘支持向量机参数影响的问题，通过狼群算法对其中参数进行优化。在优化最小二乘支持向量机的参数组合时使用Fisher准则函数作为所选参数的优劣标准，而在优化等谱流形学习算法的参数时使用的适应度函数为最近邻分类法的识别率，利用优化的参数建立最优的诊断模型。仿真实验表明该模型有很好的诊断结果，并在优化参数时将狼群算法和粒子群优化算法进行了比较分析，其诊断效果显著。
　　最后针对电机故障征兆的多样性和单一诊断方法的局限性等问题，本文通过采用组合诊断模型进行解决。本文将最小二乘支持向量机、模糊神经网络以及RBF神经网络相结合并按照最小化诊断误差平方和来形成最优的组合模型，通过实验得到的结果可以看出组合诊断模型能够对单一方法带来的缺陷进行弥补，并与这三种单一诊断方法相比，具有更高的故障识别率，鲁棒性也更好。最后利用云平台技术解决了组合复杂模型带来的运行时间长等问题，有效地提高了故障诊断的效率。

目录

声明

插图索引

附表索引

第1章 绪论

1.1 引言

1.2 课题产生的背景及意义

1.3 电机故障诊断方法研究现状

1.4 论文研究内容及结构安排

第2章 基于IMLA降维的电机故障诊断

2.1 引言

2.2 等谱流形学习算法的相关知识点

2.3 等谱流形学习算法的原理

2.4 最小二乘支持向量机的原理

2.5 基于PCA-IMLA的LS-SVM电机故障诊断的研究

2.6 仿真实例验证与分析

2.7 本章小结

第3章 基于WPA优化模型的电机故障诊断

3.1 引言

3.2 狼群算法的原理

3.3 WPA优化IMLA和LS-SVM在电机故障诊断中的实现

3.4 基于IMLA-WPA建模的故障诊断方法

3.5 仿真实例验证与分析

3.6 本章小结

第4章 基于云计算的组合方法诊断模型

4.1 引言

4.2 基于模糊神经网络的电机故障诊断

4.3 基于RBF神经网络的电机故障诊断

4.4 组合诊断模型的建立

4.5 云计算在电机故障中的应用

4.6 本章小结

总结与展望

总结

展望

参考文献

致谢

附录 攻读学位期间所发表的学术论文目录