时序数据挖掘及其在故障诊断中的应用研究

摘要

数据挖掘是一个复杂的过程，而针对时间序列具有维数高和动态性等特点，如何高效地对时间序列数据进行挖掘是一个十分有意义的研究课题。本文对时间序列数据非线性检验、降噪、分割等数据挖掘中的预处理工作进行了研究，并将时间序列数据挖掘技术引入机械故障诊断领域；通过应用实例，验证了这些方法和理论。论文主要完成工作如下： 1)时间序列数据非线性检验研究提出了一种随机迭代修正幅值的傅立叶变换(SIAFFT)算法和KS检验统计量相结合的时间序列数据非线性检验方法，通过对弱非线性信号、强非线性信号以及含噪信号的检验，该方法均能得到正确的判断结果。与传统方法相比，该方法收敛速度快，具有较强的抗噪声能力，对非线性信号具有较高的敏感性。 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适用性，运算效率和降噪效果明显优于局部投影降噪算法。将全局投影算法应用于转子轴心轨迹的提纯，比基于谐波小波等的轴心轨迹提纯方法运算效率高得多。 将全局投影降噪算法和共振解调技术相结合，提出了一种适用于低速重载轴承故障诊断的方法。利用此方法对某炼钢厂转炉倾动机构悬挂齿轮箱耳轴轴承进行故障诊断，诊断结果与实际情况相符。 3)基于GG聚类的时间序列数据分割方法针对传统时间序列分割算法的不足，提出了一种基于GG聚类在线数据分割算法。该算法具有自合并功能，能不借助相关领域专家的支持自动寻找最优的分割子集数，是一种有工程应用价值的数据在线分割方法。 4)基于KS检验的时序数据分类挖掘系统提出了一种基于KS检验的时序数据分类挖掘方法，在此方法基础上，建立了故障分类系统。通过仿真试验和齿轮及轴承的故障诊断，说明该方法在数据样本含有一定噪声时也能正确判断故障类型。该方法算法简单、计算效率高、实用性强，在机械故障智能诊断领域具有广泛的应用前景和推广价值。 5)改进型支持向量机(ES-SVM)用于时间序列数据趋势预测将传统的基于支持向量机的时间序列预测方法进行改进，采用进化策略法搜索惩罚因子C，ε不敏感损失函数和高斯核参数σ。Lorenz信号的数值仿真实验预测结果证明改进后的ES-SVM算法比原SVM算法的预测精度更高。另外，由于在工程实际中所拾取的信号不可避免地会含有噪声，因此，将全局投影算法和ES-SVM相结合的预测方法具有更大的工程应用价值。 6)构建基于时序数据挖掘的远程监测与诊断系统作为时序数据挖掘应用的重要组成部分，本文以机械在线监测系统为对象，对数据仓库结构、数据类型进行了探讨：并针对机械信号的特点，建立了时间序列数据挖掘快速处理模型。在此基础上，结合企业对具体远程监测与诊断系统的要求，构建了基于时间序列数据挖掘的远程监测与诊断系统，并成功应用于某烧结厂抽风机。

目录

文摘

英文文摘

第一章绪论

1.1机械故障诊断

1.1.1机械故障诊断主要研究内容

1.1.2机械故障诊断技术理论及方法

1.1.3机械故障诊断的现状及发展趋势

1.2数据挖掘技术

1.2.1数据挖掘技术简介

1.2.2数据挖掘处理模型及常用算法

1.2.3设备故障诊断信息特点

1.2.4国内外研究现状

1.3时间序列数据挖掘

1.3.1时间序列数据挖掘简介

1.3.2时间序列数据挖掘主要研究内容及研究现状

1.4本文主要研究内容及结构安排

1.4.1本文结构安排

1.4.2本文主要研究内容

第二章基于SIAAFT算法的非线性检验

2.1替代数据法

2.1.1替代数据法简介

2.1.2各种零假设及其算法

2.1.3检验统计量

2.2改进的替代数据法——SIAAFT法

2.2.1 IAAFT法

2.2.2 SIAAFT法

2.2.3选取最佳被测数据

2.3算法绩效验证

2.4检验统计量的影响分析

2.5应用实例

2.6本章小结

第三章基于高维相重构数据的全局投影降噪算法

3.1研究基础

3.2全局投影算法的实现

3.2.1算法实现原理

3.2.2重构时间序列

3.2.3全局投影算法步骤

3.2.4全局投影算法与局部投影算法比较

3.3实验分析

3.3.1仿真实验

3.3.2讨论

3.4全局投影算法在机械故障诊断中的应用

3.4.1全局投影降噪算法用于转子轴心轨迹提纯

3.4.2全局投影降噪算法用于低速重载轴承诊断

3.5本章小结

第四章基于GG聚类的时间序列分割算法

4.1常用时间序列分割算法及其不足

4.2时间序列分割

4.2.1时间序列分割问题的形式化描述

4.2.2分割问题基本概念

4.3基于GG聚类的时间序列分割算法

4.3.1常用c分割算法

4.3.2基于GG模糊聚类的模糊分割

4.3.3基于GG模糊聚类的算法实现步骤

4.3.4分割数目和主成分数量的确定

4.4分割算法应用实例

4.4.1应用于仿真数据

4.4.2应用于在线监测系统

4.4.3应用展望

4.5本章小结

第五章基于KS检验的时序数据分类挖掘系统

5.1研究基础

5.1.1经验分布函数

5.1.2 Glivenko定理简介

5.1.3 Kolmogorov检验

5.1.4 Smimov 检验

5.2 KS检验的应用实例

5.2.1仿真信号实验

5.2.2齿轮故障诊断实验

5.2.3 KS检验应用于故障分类

5.3远程监测与诊断系统中的应用实例

5.3.1利用KS检验快速诊断轴承故障

5.3.2故障分类器准确性验证

5.4本章小结

第六章基于支持向量机的时序数据趋势预测

6.1常用的时间序列预测方法及其不足

6.2研究基础

6.2.1 SVM用于函数逼近的基本理论

6.2.2进化策略法

6.3基于支持向量回归的时间序列预测模型

6.3.1时间序列预测模型的建立

6.3.2数据准备

6.3.3预测模型

6.3.4预测评价指标

6.4仿真实验

6.4.1核函数的选择

6.4.2进化策略法用于优化SVM参数

6.4.3两种算法的预测实验比较

6.4.4多步预测实验

6.5应用实例

6.6本章小结

第七章基于时序数据挖掘的远程监测与诊断系统

7.1数据仓库

7.1.1从数据库到数据仓库

7.1.2数据仓库定义

7.1.3机械监测系统数据仓库

7.1.4数据接口

7.2时间序列数据挖掘快速处理模型

7.3风机远程监测与诊断系统构建

7.3.1监测对象

7.3.2诊断系统网络运行结构

7.3.3系统诊断数据挖掘结构

7.4结论

第八章总结与展望

8.1论文主要完成工作

8.2未来工作展望

参考文献

在学研究成果

致谢

论文主要创新点