發(fā)布時間：2020-07-22 11:14

【摘要】：智能制造的深度發(fā)展,使得制造車間的數(shù)據(jù)呈現(xiàn)了爆炸性的增長。如何挖掘上述數(shù)據(jù)的價值,為制造車間的運行優(yōu)化與決策提供服務(wù),已成為當(dāng)前的研究熱點。機器學(xué)習(xí)是制造數(shù)據(jù)分析與處理最常用的方法之一。然而,在實際制造系統(tǒng)中難以獲取高質(zhì)量的帶標(biāo)簽數(shù)據(jù)。因此,研究無監(jiān)督的機器學(xué)習(xí)方法,以處理海量無標(biāo)簽的制造數(shù)據(jù)具有廣闊的應(yīng)用前景。譜聚類是一種無監(jiān)督流形學(xué)習(xí)方法,能充分挖掘隱藏在高維非線性數(shù)據(jù)中的本征結(jié)構(gòu),并根據(jù)本征結(jié)構(gòu)將數(shù)據(jù)分為不同簇。但是,譜聚類假設(shè)數(shù)據(jù)分布于單一流形上,而制造數(shù)據(jù)往往分布于多個流形上。因此,本文針對多流形分布數(shù)據(jù),改進譜聚類算法,并將其應(yīng)用于故障識別,同時提出了一種對新增樣本快速識別故障的方法。本文面向多流形分布數(shù)據(jù),提出了一種迭代多流形譜聚類算法。針對多流形分布數(shù)據(jù)存在交叉、重疊的情況,利用局部切空間相似度構(gòu)建鄰接矩陣,通過迭代優(yōu)化的方式,讓屬于不同類別鄰近點之間的權(quán)重趨近于0,屬于同一類別鄰近點之間的權(quán)重相對較大,從而學(xué)習(xí)到更加準(zhǔn)確的數(shù)據(jù)結(jié)構(gòu),提升聚類效果。該算法在五個仿真數(shù)據(jù)集上進行驗證,結(jié)果表明,該算法與傳統(tǒng)聚類算法和其他譜聚類算法相比,在保持聚類結(jié)果的穩(wěn)定性的同時取得更優(yōu)的聚類效果。針對制造數(shù)據(jù)無標(biāo)簽的特性,提出了基于迭代多流形譜聚類算法的無監(jiān)督故障識別方法。該方法利用時域分析方法,從振動信號提取原始高維特征;運用迭代多流形譜聚類算法,將高維數(shù)據(jù)映射到低維本征空間,并將數(shù)據(jù)分為不同簇,同時提取包含各簇故障信息的低維特征;使用局部離群因子分析算法,對低維特征進行分析,識別出正常狀態(tài)數(shù)據(jù);利用低維特征中表征故障類型的故障指標(biāo),對不同故障進行識別。將提出的故障識別方法應(yīng)用到凱斯西儲大學(xué)軸承數(shù)據(jù)集上。結(jié)果表明,該方法能準(zhǔn)確識別正常狀態(tài)和不同等級故障。針對新增樣本,提出了新增樣本低維特征的高效求解方法,并基于低維特征對新增樣本進行故障識別。利用基于迭代多流形譜聚類算法的無監(jiān)督故障識別方法,對已知數(shù)據(jù)進行故障識別,并學(xué)習(xí)數(shù)據(jù)的本征結(jié)構(gòu)和故障相關(guān)知識;基于Nystr?m公式和數(shù)據(jù)結(jié)構(gòu)對新增樣本低維特征進行估計,并結(jié)合低維特征和故障知識,識別新增樣本的故障類型。采用凱斯西儲大學(xué)軸承數(shù)據(jù)集,對所提的無監(jiān)督故障識別方法進行驗證。結(jié)果表明,該方法能快速、準(zhǔn)確地識別新增樣本的故障。最后,對全文進行了總結(jié),并展望了未來值得進一步研究的方向。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.13;TH17
【圖文】：

類別的數(shù)據(jù)通常位于不同流形上；（3） 流形學(xué)習(xí)是通過分析數(shù)據(jù)之間關(guān)聯(lián)關(guān)系，學(xué)習(xí)高維數(shù)據(jù)的低維流形結(jié)構(gòu)。大多數(shù)經(jīng)典流形學(xué)習(xí)算法只能學(xué)習(xí)由高維空間到低維特征空間的隱式映射，對于新增樣本，很難快速求解其低維特征。1.3 本文的主要工作與結(jié)構(gòu)1.3.1 本文的主要工作如圖 1.1 所示，本文的主要工作有：（1） 面向多流形分布數(shù)據(jù)，提出了一種迭代多流形譜聚類算法（IMMSC）；（2） 針對制造數(shù)據(jù)集的無標(biāo)簽特性，提出了基于 IMMSC 的無監(jiān)督故障識別方法，并進行實例驗證；（3） 針對制造數(shù)據(jù)集的動態(tài)更新特性，提出了新增樣本條件下基于 IMMSC 的無監(jiān)督識別方法，并進行實例驗證。

10圖 2.1 圖像分割割是將圖G 分割為互相沒有相連的 K 個子圖1, X iX 且i jX X ， i , j 1, ,K。之間的權(quán)重之和為 ,ijW X X ，其定義如式(2.4)所 ,,i i jji ijx XjX xW X X w 為子圖 ，定義切圖 cut 為： 111, , ,2KK i iicut X X W X X iX 的補集。圖分割的目的是讓子圖內(nèi)權(quán)重之和最大(2.5)會導(dǎo)致最小分割問題，如圖 2.1 所示，將權(quán)重 ,KX ，但并非最優(yōu)分割。為了避免最小分割，可

圖 2.3 切空間示意圖流形M 上的點，xT M 表示在點 處間，v表示點 處的切向量，全部切間可由其鄰近點確定[51]。假設(shè)數(shù)據(jù)樣本點ix 的低維本征特征為di i i ix U c 量，di 為誤差，D dU 是由切 表示樣本點ix 的 k 個鄰近點，iT ki 表示點1, ,i ikx x 的重構(gòu)誤差。則Ti i i iN U T ce EiU 和iT 讓重構(gòu)誤差iE 最小，如式(2 min minTE N U T ce

【相似文獻】

相關(guān)期刊論文 前10條

1 黃智;;配電線路在線故障識別與診斷方法研究[J];山東工業(yè)技術(shù);2015年23期

2 王新晴,石玉祥,錢淑華;信號平均法與殘余信號法在故障識別能力方面的對比分析[J];振動.測試與診斷;1996年04期

3 陳艷艷;;配電線路在線故障識別與診斷方法研究[J];中國高新技術(shù)企業(yè);2015年21期

4 屈梁生,史東鋒;機械診斷中的故障識別問題[J];設(shè)備管理&維修;1998年05期

5 謝海芳;;配電線路在線故障識別與診斷方法研究[J];科技創(chuàng)新與應(yīng)用;2015年08期

6 劉建華;周健強;袁朋生;;煤礦智能供電系統(tǒng)故障識別與隔離[J];煤礦機械;2015年07期

7 張小松,倫志新,竇炳琳;基于依賴圖的網(wǎng)絡(luò)故障識別技術(shù)研究[J];福建電腦;2005年11期

8 竇欣龍;;煤礦主扇風(fēng)機運行主要故障識別及處理[J];石化技術(shù);2019年12期

9 朱亞萍;徐晉;;配電線路在線故障識別與診斷方法研究[J];山東工業(yè)技術(shù);2015年23期

10 賀春茂;;配電線路在線故障識別與診斷方法的研究[J];硅谷;2014年22期

相關(guān)會議論文 前10條

1 顧小軍;楊世錫;錢蘇翔;;基于支持向量機的旋轉(zhuǎn)機械多類故障識別研究[A];第二十六屆中國控制會議論文集[C];2007年

2 王梓琪;范文捷;崔運進;;抽水蓄能電站輔助設(shè)備故障識別方法研究與應(yīng)用[A];抽水蓄能電站工程建設(shè)文集2017[C];2017年

3 駱志高;王祥;李舉;范彬彬;郭嘯棟;;基于小波包遺傳算法的沖壓模具故障識別研究[A];2008年全國振動工程及應(yīng)用學(xué)術(shù)會議暨第十一屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2008年

4 溫廣瑞;印建安;張西寧;金穎;;應(yīng)用全息譜初相點進行平衡前轉(zhuǎn)頻故障識別[A];2008年全國振動工程及應(yīng)用學(xué)術(shù)會議暨第十一屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2008年

5 劉菲;;專用設(shè)備在低轉(zhuǎn)速運行下的故障識別定位方法[A];中國核科學(xué)技術(shù)進展報告（第五卷）——中國核學(xué)會2017年學(xué)術(shù)年會論文集第4冊（同位素分離分卷）[C];2017年

6 張華;鄭濤;肖仕武;劉萬順;黃少鋒;張達;;基于電流信號包絡(luò)線故障熵的振蕩中再故障識別算法的研究[A];2006中國電力系統(tǒng)保護與控制學(xué)術(shù)研討會論文集[C];2006年

7 何常遠(yuǎn);馬潤梅;;基于LM-BP神經(jīng)網(wǎng)絡(luò)的制動器故障識別系統(tǒng)[A];北京力學(xué)會第二十三屆學(xué)術(shù)年會會議論文集[C];2017年

8 崔林;;基于DSP的新型變壓器故障識別系統(tǒng)的設(shè)計[A];湖北省電工技術(shù)學(xué)會2004年學(xué)術(shù)年會論文集[C];2004年

9 金昌平;;兩層結(jié)構(gòu)的配網(wǎng)模型及其應(yīng)用[A];第二屆中國水利水電巖土力學(xué)與工程學(xué)術(shù)討論會論文集（二）[C];2008年

10 彭暢;李海濤;李寧;鄒曉龍;;基于譜峭度圖和遞歸定量分析的動車組軸箱軸承故障識別與分類方法研究[A];鐵路車輛輪軸技術(shù)交流會論文集[C];2016年

相關(guān)重要報紙文章 前2條

1 ;農(nóng)村沼氣灶故障識別與排除[N];山東科技報;2007年

2 記者 楊朝暉;我首創(chuàng)針對電氣火災(zāi)故障識別分析工具[N];科技日報;2014年

相關(guān)博士學(xué)位論文 前8條

1 楊靜宗;鐵精礦漿輸送管道的堵塞故障識別方法研究[D];昆明理工大學(xué);2018年

2 肖涵;基于高斯混合模型與子空間技術(shù)的故障識別研究[D];武漢科技大學(xué);2007年

3 戴鵬;貨車典型故障圖像識別算法研究[D];哈爾濱工業(yè)大學(xué);2010年

4 尹洪;基于數(shù)據(jù)驅(qū)動的衛(wèi)星故障診斷關(guān)鍵技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2015年

5 姜憲國;以變電站為基本單元的區(qū)域后備保護研究[D];華北電力大學(xué);2013年

6 李正天;高壓線路保護動作特性分析及新原理研究[D];華中科技大學(xué);2011年

7 王琳;基于隱馬爾可夫模型的工業(yè)過程監(jiān)測方法研究[D];浙江大學(xué);2018年

8 楊鐵梅;基于混合智能的齒輪傳動系統(tǒng)集成故障診斷方法研究[D];太原理工大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 宋文斌;基于多流形譜聚類的無監(jiān)督故障識別方法研究[D];華中科技大學(xué);2019年

2 吳春磊;基于改進深度學(xué)習(xí)模型的過程故障識別研究[D];華東交通大學(xué);2019年

3 張世朋;基于無人機航拍的電力線狀況與故障識別算法研究[D];山東科技大學(xué);2018年

4 王清;基于脈沖神經(jīng)膜系統(tǒng)的電力系統(tǒng)故障定位與故障識別研究[D];西華大學(xué);2019年

5 潘哲;基于深度學(xué)習(xí)的航拍巡檢圖像絕緣子檢測與故障識別研究[D];太原理工大學(xué);2019年

6 魯君成;基于深度學(xué)習(xí)的機械故障識別與狀態(tài)評估研究[D];重慶大學(xué);2018年

7 張鳴春;基于多源信息融合的永磁同步電機故障識別研究[D];重慶大學(xué);2018年

8 高威威;基于滾動軸承的故障識別方法研究[D];華中科技大學(xué);2018年

9 鄧生財;數(shù)據(jù)驅(qū)動下的設(shè)備可預(yù)測性維護管理[D];重慶工商大學(xué);2018年

10 劉乃彬;發(fā)動機故障狀態(tài)下的性能參數(shù)規(guī)律研究[D];中國民航大學(xué);2018年

本文編號：2765740