基于数据挖掘的设备故障智能预警方法研究

摘要

在轴承检测时，往往通过分析单个振动传感器获取的动态信号，来判定轴承是否工作正常；但单一传感器信号反映的信息往往不够全面。而全矢谱技术可以有效融合同源振动信息，得到更加全面的振动特征，从而提取可靠的征兆。由于生产过程自动化、连续化程度越来越高，对设备运转的可靠性和故障判定的智能化提出更高的要求。因此能够更早的发现轴承中存在的潜在故障，对保障设备和生产安全有着重要的作用。在预测方法研究中，越来越多的人工智能算法被探讨和应用，关联规则是一种有效的数据挖掘算法，在本文的研究中，将全矢谱信息融合技术和关联规则算法相结合，以机械设备中的重要零件滚动轴承为研究对象来进行设备的故障预警研究，主要内容如下：　　（1）预警模型的数据处理方面，采用全矢希尔伯特（Hilbert）解调方法来提取滚动轴承特征频率下的故障特征数据，仿真研究和实验结果表明，该方法能够很好的提取轴承特征频率下的故障特征数据。首先通过传感器获取轴承上相互垂直的两组同源振动信号，其次分别对这两组作Hlibert变换，构造解析信号，并求其包络，最后将两个方向上的包络信号作全矢谱分析，获取全矢谱结构，并作为预警模型的特征数据。　　（2）建立了全矢-Apriori故障预警模型，实验表明，该预警模型能够有效预测设备的运行状态，进而预测设备故障，但由于Apriori算法需要对待挖掘数据库循环扫描，产生不满足要求的候选项集，导致产生的强关联规则少，预警实时性不足。首先采用全矢Hilbert对正常运行状态下的原始样本数据进行信息融合，然后进行离散化等预处理，建立后期工作所需要的数据库。利用先验（Apriori）算法发现滚动轴承八个特征频率幅值数据之间的未知关系，继而用挖掘出的关联规则构建一个规则库。将运行数据通过处理之后与所建立的规则库相匹配，检测当前运行机械设备是否处于故障形成阶段，进而减少经济损失。　　（3）建立了全矢-FP-Growth故障预警模型，改进了全矢-Apriori故障预警模型中存在的不足。实验表明，全矢-FP-Growth故障预警模型相对于全矢-Apriori预警模型可有效提前预警时间，及时预警可能发生的故障，提醒设备管理人员采取措施，保障设备和生产安全。

目录

声明

1 绪论

1.1 选题背景

1.1.1 课题的来源

1.1.2 课题研究目的及意义

1.2 国内外研究现状

1.2.1 设备故障预测方法研究现状

1.2.2 数据挖掘研究现状

1.2.3 同源信息融合技术研究现状

1.3 本文主要内容与结构安排

1.4 本章小结

2 全矢谱融合和关联规则

2.1 引言

2.2 全矢谱信息融合

2.2.1 全矢谱理论

2.2.2 快速性

2.2.3 兼容性

2.2.4 实际应用

2.3 关联规则

2.3.1 关联规则相关概念

2.3.2 关联规则基本过程

2.3.3 全矢关联规则在故障预测中的应用

2.4 本章小结

3 全矢Hilbert故障特征提取模型研究

3.1 引言

3.2 全矢Hilbert 理论论述及仿真分析

3.2.1 希尔伯特解调

3.2.2 全矢Hilbert解调方法流程

3.2.3 全矢希尔伯特仿真分析

3.3 全矢Hilbert故障提取模型实例分析

3.3.1 滚动轴承故障特征频率分析

3.3.2 关联规则的特征向量输入与输出

3.4 本章小结

4 全矢关联规则故障预警方法

4.1 引言

4.2 数据准备

4.2.1 数据分析与选取

4.2.2 数据处理

4.3 全矢-Apriori故障预警模型及实例分析

4.3.1 Apriori算法理论

4.3.2 全矢-Apriori实例分析

4.4 全矢-FP-Growth故障预警模型及实例分析

4.4.1 FP-Growth算法理论

4.4.2 全矢-FP-Growth实例分析

4.5 本章小结

5 结论与展望

5.1 工作及结论

5.2 创新点

5.3 展望

参考文献

个人简历、在学期间发表的学术论文与研究成果

致谢