基于NRST的轉子故障數據集屬性約簡方法研究.pdf

1、如何從海量數據中，挖掘出有用信息，尋找出數據之間蘊含的反映機械設備運行狀況規(guī)律，解決復雜診斷建模難的問題，實現(xiàn)對故障模式智能化識別，成為當前急切需要解決的問題。然而采集到的反映復雜機械系統(tǒng)運行狀況的工業(yè)數據往往夾雜著大量噪音，具有較強的非線性和耦合性，嚴重影響了有效信息的獲取，且目前單一的故障診斷模型無法有效的對復雜的機械系統(tǒng)做出全面的診斷。
　　針對以上問題，本文開展了鄰域粗糙集理論（Neighborhood Rough Set

2、 Theory，NRST）與其它數據驅動方法結合的轉子故障模式識別方法的研究工作，重點對NRST的屬性約簡方法及NRST結合統(tǒng)計分析及機器學習的方法進行了探討。本文的主要工作概況及取得的研究成果如下：
　　(1)介紹NRST的定義及前向貪心屬性約簡方法，充分利用了NRST能直接處理連續(xù)數值型屬性的優(yōu)勢，提出以轉子工頻倍頻為條件屬性以故障類型為決策屬性構建NRST決策表進行特征提取的方法并且結合典型故障類別的頻率譜特性分析了可行性。

3、實驗結果也同時證明該方法獲取的特征屬性更符合物理意義，避免了離散化過程中關鍵屬性的丟失。
　　(2)在NRST屬性約簡的基礎上，提出了NRST結合費舍判別（FDA）對故障類別進行分類的方法，求出了判別函數和累積判別能力，探討了二次降維和去冗余后對故障模式識別的影響，完成了數據從高維到低維的映射，實現(xiàn)了低維下的故障分類效果。實驗結果證明該方法在特征屬性少的情況下能夠達到同樣的識別正確率，從而可以節(jié)省存儲空間提高運算效率。
　　

4、(3)為了尋求高效、準確的故障診斷方法，同時也為了探討NRST屬性約簡對機器學習的影響，提出了NRST結合徑向基神經網絡（RBFNetwork）對故障類別辨識的方法，選用高斯標準函數作為徑向基函數，采用自組織選取中心法確定基函數中心、寬度及連接權重。實驗結果證明該方法明顯縮短了建模時間，提高了識別準確率，值得推廣。
　　(4)為了解決知識的存儲與發(fā)現(xiàn)難的問題，推動智能化診斷技術的發(fā)展，設計了基于WEKA數據挖掘平臺連接MySQL數