转子故障数据集的聚类分析方法研究

摘要

由于机械的强非线性以及工作环境等复杂因素的影响，机械故障特征表现的错综复杂。要想实现满意的故障诊断效果，使用单一的诊断技术已经无法满足现有的需要，必须寻求新的思路与途径。同时，在机器学习的这一过程中，特征的数目往往会有很多，而且有多余的或无关的特征存在。冗余、无关的特征项不仅增加算法的复杂性，同时也降低了运算的准确率。聚类分析作为一个重要的工具应用在很多领域，已经成为近年来研讨的热门。随着“大数据”时代的到来，面对的数据呈现出海量化和复杂化的现象，聚类研究随之而来的是面临着更多新的课题。
　　本研究主要内容包括：⑴分析聚类分析方法在故障诊断中的研究现状和存在的问题。对特征加权的必要性和特征加权方法进行了系统的研究和探讨。在研究核方法基本思想基础上，总结了常见的核函数与核方法。⑵针对聚类算法应用到故障辨识问题，研究学习了聚类基础理论，对常用的聚类算法进行了总结，设计了一种基于核方法与模糊C-均值的故障模式辨识方法。通过对采集到的双跨转子实验台数据分析，得到时频域特征，将得到的特征用所提算法聚类。分析表明，将核方法与模糊C-均值技术融合的故障辨识方法，通过引入核方法增大了样本之间的差别，降低了聚类误差，实现了对故障类型的聚类。⑶提出了一种自适应NWFE-KFCM算法，该算法针对模糊C-均值算法存在的：对有噪声、离群点、样本分布不均等非超球面的数据处理能力较弱；疏忽了贡献度不同的样本特征对聚类影响；需要依据经验提前给出恰当的聚类数等问题。引入核方法解决，采取特征加权赋予样本不同权值，通过聚类评价指标自适应寻找最佳聚类数。将所提算法应用到仿真数据集和双跨转子实验台数据集验证，分析表明：该算法不但兼顾了KFCM算法处理噪声数据的优势，同时能够重视不同样本特征对聚类的影响，能够在获得准确聚类数的同时提高聚类的准确性，是一种有效的聚类方法。⑷基于MATLAB GUI设计了一套故障辨识系统，将四种聚类算法嵌入到该系统中，可以实现转子故障数据的读取、特征处理及故障辨识，通过实验证明了该系统运行的可行性。

目录

声明

第1章 绪论

1.1 选题背景及意义

1.2 机械故障诊断技术

1.3国内外研究现状分析

1.4主要研究内容与安排

第2章 特征加权与核方法基础原理简介

2.1 引言

2.2 特征加权的概念

2.3 特征加权方法

2.4核方法的基础理论简介

2.5 常用核方法分类

2.6 讨论与分析

2.7 本章小结

第3章 KFCM的故障辨识方法研究

3.1 引言

3.2聚类基础理论

3.3 聚类评价指标

3.4 FCM方法

3.5 KFCM方法应用探讨

3.6 本章小结

第4章 自适应NWFE-KFCM算法及其在故障辨识中的应用方法研究

4.1 引言

4.2 PBMF聚类评价指标

4.3 非参数特征加权提取

4.4自适应NWFE-KFCM算法的设计

4.5试验情况及应用结果

4.6 本章小结

第5章 基于MATLAB GUI的转子故障诊断系统设计

5.1 引言

5.2 MATLAB GUI简介

5.3 MATLAB GUI设计流程

5.4 转子故障诊断系统设计

5.5 本章小结

总结与展望

全文总结

研究展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录

附录B 参加科研项目情况