基于无监督学习的状态监测和故障诊断技术研究-机械制造及其自动化专业论文.docxVIP

华中释技太学博士学位论文摘要 华中释技太学博士学位论文 摘要 为了降低枫械设备状态越测释敝豫诊断瓣复杂性弗提商诊麟能力，本学饿论文扶 模式识剃熬熊壤爨发，缭食撬器警弼镁壤有关走显蛰辫潮黪毁囊谚突戏隳，磷究了嚣 线性映射方法姻冗分析(Curvilinear Component Analysis，CCA)、自缀织特征映射 (Self-Organizing Feature Maps，SO麓)鼹络、嚣绫毪豫变蒙搂跫擞蕊掇掺获蓦| (Generative Topographic Mapping，GTM在赞锺撬酝、羧簿模戏谖裂秘狡悫整滋孛 熬应璃，鏊森为谚究撬壤浚备靛状态交徒与王蕊参魏、状态蘩惑之蘑囊黎静内在关系， 淹极坡设鍪教孵模式、诊麟知谈麴菠取以及设蛰鼓糍谖剐、状态监测等掇供麟方法、 斯工其，势迸一步弗塞_秘发展戡L械设镶状态羧测热数辫诊凝镑裴纯的罄鹚瑗谂，理避 智能稼诊薮的黼论露方法安惩纯。 论文臻季孥鬣挺激燕霾爨发，讨论了e瞧方法实璇薅线髅鼯绻淡射辩葵法溅灌、步 骤，磷究了麓缝数恭静搴程缍鼗掇双方法，丧就基麓上挺密了蓉予CCA添设备狡态特 征提取方法，并用予蜜测的齿鲶敞障信号的特征提取，对搬轮正常、点饿秽黪损绩垮 迸行了分析，凇得了较好的效聚。阀时，针对CCA的不艟，借簸梭方法愆憋掇溺了CCA 方法的棼线性姨瓣敬进技零。 论文提爨了罄予CCA豹秘壤设备羧障识凳《裟状态羧溺方滚，舞反麓予转子系统瓣 敬藩捻漓嚣菰恣菠测。遴过簌莰餐状态蒜恚毒王艺参鼗孛稳褒窭特茬，袋壤CCA馥藜 线性降缝映射，将不弱状态懿竣铸将槎数据妖辩到：榷平谣静不阐区城，淹检铡转予 故障提供了巍溅手蔽，并艟，特授数据在平蕊七的映像点轨迹变化趋势，也清楚反浃 了转予运雩亍状惑发鸯麓变纯，蠖予及瓣箍溅到转子畚筑早瓣羧簿产生驶燮证趋势。 磅窕了SOFM阙终戆算法原理粒步骤，从敏障诊鞭辩状态黢溅的角发浅发，讨论了 瓣终鬟练缝暴豁嚣携豫方法，筹在广泛遴蘧菸疆一踅簿法基麓主穗塞了黢遴戆簿麓讫骞 法。该方法蓠先计算出竞争层神经元枚向量对输入横拭的晌威或近似凝，并结合神经 元懿鼹捺努簿，怒狳入模式映瓣翻二缳平嚣。仿囊鳞辩褒骥，与U～楚辫滋滤鞍，该方 法的可视化绒撩熙便于理解。 论文提蠢了基予SOFM疆终鹣凝藏设蔷效簿识辨粒状卷滚灏方法。麓合上述冒程纯 方法臻窕了SOFM礴络戆骧承、鼗轮媛鬻浚蘩孛夔疲攥，绪桑袭骥SOFM黼终靛毒效谖 禳窭_骥窳鞠蠢稔魏蒙鬻麸淼，势藏跨魏渊蒌l蠢耱运移状态发妻戆变霞。 磺褒了基于密度分毒黪{}绫瞧戆交爨模型GTM，饕魏礴褒了秘算法、可褪伍嚣i蘧 鹈敷大戳子。檄髓予低缨窆润～燧隐交爨以及鞭定义瓣舞教先验分农，GTM袋嬲懿爨 华中辫技大学博士学位论文=；≮；==o=描I 华中辫技大学博士学位论文 =；≮；==o=描I I☆《≈∞；≈∞0=========舞 法可求出数据的实际分稚，并党服了SOFM方法中的一蟪煎要不足之处。论文研究了GTM 程蔽簿诊断帮状态遂灏中赞痉热，涎爨了萋予GTM瓣撬壤竣备敞障攘甙淡粼帮姨态蕊 测方法，并应用予冷轧过程豹鲠掇识别鞠监测。研究袋明，GTM可以将冷章L过程中的 委嘉嚣簸菠状态燕醵莲努嚣，劳娶，撩{蒌羧豢奁晕嚣上黧浃露纛魏_j毫裘热憋势，迄遗 楚反映了氡铡状态鸵交豫，便予及辩蕊测到颤攒煎产垒款发展。 蚤予撬器辫潜理谂菠处予不麟懿茨鼹过程中，蠢荚茏蓬警学习黎磷究墩菱是方兴 来艾，而且，黻觜机械设备的朗趋大型化、复杂化和黼度自动化，相艘i{觐诊断的困难 藕囊逛瑟莛螬趣、诊瑟要求遵不鞭淡鼹，嚣魏，无鏊辍学霹方渡在撬城竣备放簿诊鼗 孛熬应麓研究毙骞待手遴一步鹣深入_鞫完善。 关键阋； 状溶监测故障诊断盐党分析 自组缴特征映射生成擒扑映射 华中科技太学博士攀位论文焱BS譬＆麓C零 华中科技太学博士攀位论文 焱BS譬＆麓C零 T赫g thesis presents an application of unsupervised learning algorithms in mechanical fault diagnosis and condition monitoring，including curvilinear component analysis(CCA)， self-organizing feaRae maps(SOFM)and generative topographic mapping≤d孙酝in terms of pattern recognition combining with latest research findings in unsupervised learning，in order to reduce the complexity and improve the quality ofthe con