论文部分内容阅读
故障诊断在实际生产过程中是保证产品质量和产量的重要环节。随着分布式系统的发展,大量历史数据很容易获得,使得基于知识的故障诊断方法受到广泛的关注。但是随着各种复杂结构数据的出现,导致故障诊断结果不理想,因此需要适当的对数据进行处理,从中获取更多的分类特征,提高诊断精度。因此,本文针对基于知识的故障诊断方法进行研究,主要研究内容如下:首先,对故障诊断方法以及基于知识的故障诊断方法进行总结分析。文中概括总结了常用的基于定性和定量的典型故障诊断算法,并且分析了两者的优缺点,此外还介绍了故障诊断方法中几种典型的诊断分类方法。然后,针对基于统计分析的故障诊断方法,提出了变量加权的联合FDA故障诊断算法(Variable-Weighted Joint Fisher Discriminant Analysis,VWJFDA)。VWJFDA算法是通过利用变量加权结合JFDA(Joint Fisher Discirminant Analysis)方法来提高故障诊断的精确度。基于该思想,文中对VWLFDA(Variable-Weighted Local Fisher Discirminant Analysis)方法也进行了仿真实验。其次,利用核的思想,提出了变量加权核的联合FDA故障诊断算法(Variable-Weighted Kernel Joint Fisher Discriminant Analysis,VWKJFDA)。该算法通过非线性的变量加权的方法,放大故障特征,结合处理非线性数据能力较强的KJFDA(Kernel Joint Fisher Discriminant Analysis)算法进行故障诊断,经过实验验证了VWJKFDA算法的有效性。最后,提出了基于DBN和FDA的故障诊断方法(Deep Belief Networks and Fisher Discirminant Analysis,DBN-FDA)。该算法提出了另一种获得变量加权向量的方法,即通过深度置信网络训练故障变量的权重向量。在组合故障数据的基础上,结合FDA算法进行故障诊断分类,通过仿真实验验证DBN-FDA算法的有效性。