基于CBR的旋转机械故障诊断系统的研究开发

摘要

基于案例推理的技术（CBR）是人工智能领域一种新兴的问题求解方法，将该方法应用到旋转机械故障诊断领域，对于克服传统故障诊断方法的缺陷，推动故障诊断技术的发展具有重要的意义。本文对基于CBR的旋转机械故障诊断模型、故障案例的表示方法、案例库的组织、案例诊断中的关键技术、案例推理及检索策略等进行了深入研究，主要研究内容如下：
　　 1.在查阅大量文献的基础上，分析了旋转机械故障诊断的研究现状，结合传统故障诊断存在的困难和CBR技术的特点，将CBR技术应用到故障诊断，并提出将数据挖掘方法引入到CBR故障诊断中，以解决案例诊断的关键问题。
　　 2.提出了基于CBR技术的故障诊断模型，详细分析了故障案例的表示内容和方法，采用面向对象技术和数据库技术相结合的案例表示方法，并对CBR旋转机械故障诊断各环节中的关键技术进行了分析和论述。
　　 3.着重研究了不平衡、不对中、动静摩擦和油膜振荡这四种典型故障，分析了这些故障的机理及其特征表现，并通过频谱、时域和时间趋势分析得到故障特征属性集，通过对属性值的数学处理，形成了故障特征表。
　　 4.采用粗糙集方法对故障特征属性进行约简，提取出关键属性，形成故障案例库。此外，采用聚类方法对案例库的组织结构进行分级聚类，将案例库组织为由代表案例库和具体案例库构成的二级结构。
　　 5.采用经典的决策树算法提炼故障判别规则，对可能或即将发生的故障进行预测，有效控制故障的发生，并将聚类分析方法与CBR技术相结合对案例库中没有的新案例进行诊断，弥补单靠CBR诊断的不足。同时，通过故障实例认证其可行性。
　　 6.以CBR理论为基础，结合数据挖掘技术，设计了一个CBR故障诊断系统，包括系统整体结构、各个模块功能与关键技术等，实现了故障数据的预处理、故障数据库的管理及故障诊断等一系列功能。
　　 研究表明，将CBR技术应用到旋转机械故障诊断中，有效克服了传统故障诊断系统的缺陷，具有一定的实际应用价值。

目录

文摘

英文文摘

第一章 绪 论

1.1 论文选题概述

1.1.1 论文选题来源

1.1.2 论文选题背景与意义

1.2 汽轮发电机组故障诊断技术国内外研究概况

1.2.1 国外研究概况

1.2.2 国内研究概况

1.2.3 国内外故障诊断方法研究发展状况

1.3 基于CBR的故障诊断技术研究状况

1.3.1 CBR技术的研究与应用

1.3.2 CBR在故障诊断中的应用研究

1.3.3 CBR在故障诊断中的应用前景

1.4 数据挖掘技术在CBR故障诊断中的应用研究

1.4.1 数据挖掘技术在故障诊断中的应用

1.4.2 粗糙集理论在故障诊断中的应用

1.4.3 决策树在汽轮发电机组故障诊断中的应用

1.4.4 聚类分析方法在故障诊断中的应用

1.5 论文主要内容

第二章 CBR旋转机械故障诊断模型

2.1 基于案例的推理技术

2.2 基于CBR的故障诊断模型

2.3 案例表示与案例库

2.3.1 故障案例的规范化描述

2.3.2 面向对象的案例表示方法

2.4 CBR故障诊断中的关键技术

2.4.1 案例的检索

2.4.2 案例修正

2.4.3 CBR的维护技术

2.5 CBR故障诊断中相关数据挖掘技术

2.5.1 数据挖掘算法

2.5.2 CBR故障诊断中相关数据挖掘技术概述

2.6 本章小结

第三章 旋转机械故障特征提取与分析

3.1 典型故障的特征分析

3.1.1 转子不平衡

3.1.2 转子不对中

3.1.3 动静摩擦

3.1.4 油膜振荡

3.2 机组故障特征提取

3.2.1 故障特征属性

3.2.2 频谱特征

3.2.3 时域特征

3.2.4 时间趋势特征

3.3 基于Mann-Kendall检验法的时间趋势特征提取

3.3.1 Mann-Kendall检验法

3.3.2 Mann-Kendall检验法提取故障时间趋势特征的实现

3.4 本章小结

第四章 粗糙集在CBR故障诊断中的应用研究

4.1 料糙集理论概述

4.1.1 知识与分类

4.1.2 信息系统与决策表

4.1.3 属性约简与核

4.1.4 决策表约简

4.1.5 依赖度定义

4.2 粗糙集数据预处理

4.2.1 遗漏属性值处理

4.2.2 连续属性离散化处理

4.3 基于粗糙集的故障特征属性约简

4.3.1 数据准备与预处理

4.3.2 属性约简

4.3.3 结果评价

4.4 基于粗糙集的案例学习

4.5 本章小结

第五章 决策树方法在CBR故障诊断中的应用研究

5.1 决策树方法

5.1.1 决策树生成算法

5.1.2 C4.5算法

5.1.3 C4.5算法数据预处理

5.2 C4.5程序实现

5.2.1 C4.5算法流程

5.2.2 决策树节点数据结构

5.2.3 决策树数据存储

5.2.4 决策树推理实现

5.3 决策树在CBR故障诊断中的应用

5.3.1 决策树形成与规则提取

5.3.2 结果评价

5.4 本章小结

第六章 聚类分析方法在CBR故障诊断中的应用研究

6.1 聚类分析方法

6.1.1 聚类概念

6.1.2 聚类分析中的数据类型及样本相似度

6.1.3 数据预处理

6.2 K-means算法与CURE算法

6.2.1 K-means算法

6.2.2 CURE算法

6.3 聚类分析方法在CBR故障诊断新知识获取中的应用

6.3.1 聚类分析训练故障决策表

6.3.2 K-means算法对故障决策表的评估

6.3.3 CURE算法对故障决策表的评估

6.3.4 CURE算法在故障诊断中的应用评价

6.4 聚类分析方法在案例库组织中的应用

6.4.1 子案例库的构造

6.4.2 代表案例库的构造

6.5 本章小结

第七章 CBR旋转机械故障诊断系统设计

7.1 CBR故障珍断系统总体设计

7.1.1 数据挖掘模块

7.1.2 案例诊断模块

7.1.3 数据库维护模块

7.1.4 诊断结果模块

7.2 系统开发工具

7.2.1 关系数据库

7.2.2 SQLSever2000与Visual C++6.0

7.2.3 数据库访问技术与ADO

7.3 故障诊断系统数据库的设计

7.3.1 机组振动实时数据库设计

7.3.2 参数配置数据库设计

7.3.3 机组案例库设计

7.4 CBR故障诊断系统的实现

7.4.1 CBR故障诊断系统程序设计

7.4.2 案例诊断模块的实现

7.4.3 系统连接数据库的实现

7.4.4 数据库维护模块的实现

7.5 本章小结

第八章 结论与展望

8.1 工作总结

8.2 工作展望

参考文献

作者攻读硕士学位期间撰写和发表的论文

致谢