机械设备运行状态特征提取与模式分类中的智能方法研究-机械制造及其自动化专业论文.docx

华中科技大学博士学位论文摘要 华中科技大学博士学位论文 摘要 为了提高特征选择与提取的可靠性，降低机械设备运行状态监测和故障诊断的 复杂性并提高其精度，本论文从模式识别的角度出发，结合相关领域的现有最新研 究成果，对监测与诊断所涉及的诸多方面进行研究。 首先总结了复杂机械设备运行状态监测和故障诊断的特殊性，使后面的研究工 作有了立足点。 第二，从两方面研究了故障特征参数的选择方法·卜是利用粗糙集理论的属性 约简功能，提出了两个可用于属性约简的启发式函数(条件决策关联度和Fisher判 别函数)，利用这些函数建立了基于启发式知识的属性约简方法，有效地克服了属性 约简中的NP问题。在基于启发式知识的属性约简的基础上，提出了粗糙主成分分析 方法(RgPCA)，与一般的PCA相比，P键PCA较好地克服了干扰输入的影响：简化 了主成分的表示式；在一定程度上削弱了野点数据的影响，提高了分析的鲁棒性； 充分考虑了分类的要求，更符合故障诊断和状态监测的要求。二是通过多层前馈神 经网络实现特征选择功能，从模式识别的角度上看，多层前馈神经网络可视为特征 的选择中。厂由于采用了非线性变换，因此基于核的特征提取方法非常适合于解决特 征提取中的非线性问题。然而，采用基于核的特征提取方法所需的运算时间和内存 开销随样本数目的增加迅速增大，到一定的数目后，失去了可操作性。通过主动学 习，可对样本集中的学习样本进