论文部分内容阅读
科学技术飞速发展,现代化的大型设备也趋向于结构复杂化,多功能化方向发展,同时竞争的激烈对设备的精度要求也越来越高。一旦发生故障,引起的链锁反应会迫使整个的生产处于停滞状态。传统的定期维护维修的方式已经明显落后,对故障的发现不及时往往会影响日常工作,严重的会造成人员伤亡,和重大的经济损失,甚至带来灾难性的后果。因此对故障的诊断和预测已经引起了社会各个领域的广泛关注。二十世纪末刚刚兴起的数据挖掘技术,作为一种智能的数据分析技术,已经广泛应用于很多领域。数据挖掘能够从大量的数据中挖掘出有用或潜在有用的,含有大量信息的知识,并生成规则或规律。首先,本文针对型钢加工设备在运行过程中,由于电机故障引起的异常振动信息进行研究。对电机故障中的转子不平衡、转子不对中和动静碰磨三种常见类型的电机故障做了简单分析,并通过频域分析得到了特征信号构成的训练样本数据集。然后,本论文重点研究了数据挖掘的分类算法在故障诊断中的应用。基于数据挖掘的故障诊断方法,实际是一个将故障信号归纳分类的过程。根据故障信号的频谱特征来提取特征频率,对故障信号进行分类,并通过分类生成规则。本课题选择了决策树作为分类方法,因为决策树通过对小数据集的训练样本进行学习,可以生成容易理解的规则,且算法的时间很短,更加适合应用在实际系统中。由于训练样本中存在大量的冗余,因此本课题在对故障样本进行分类前,采用了粗糙集理论中的可辨识矩阵方法对属性进行约简。可辨识矩阵的主要思想是:通过构建的可辨识矩阵推导出合取范式结构的可辨识函数,然后将合取范式转换成析取范式,析取范式中的每一个合取式就是这个系统的一个知识约简。对约简后的故障样本集再利用决策树进行分类,降低了计算的复杂度。生成的规则也更加简洁。最后,阐述了本课题的诊断平台。系统的诊断平台采用了三层C/S架构,将应用功能分为表示层、功能层和数据层三部分,并对三层进行了明确分割,保持了其在逻辑上的独立,从而保证了诊断系统进行功能扩展的灵活性。通过将未知分类的故障数据存储到服务器中,并根据新的故障数据对规则进行修改,从而实现故障信号的准确分类。对振动信号进行的有效的实时监测,可以及时发现故障产生的异常信息,提前做出相应的决策,杜绝重大事故的发生。本课题的创新之处在于把可辨识矩阵的属性约简算法与决策树的分类算法相结合应用到生成故障信息的分类规则过程中。实验证明,属性约简后生成的决策树提高了系统的潜在知识的清晰度。通过减少信息系统的条件属性,大大压缩了数据库的信息量,摆脱了繁杂数据带来的困扰,为高效的知识发现打下了良好的基础。