聚类分析的故障诊断方法
目录
1 绪论 1
1.1 课题来源及意义 1
1.2 故障诊断技术在中国的发展近况 1
1.3 智能故障诊断方法的优势及发展方向 1
1.3.1 智能故障诊断的优势 2
1.3.2 智能故障诊断的发展趋势 2
1.4 论文的大体框架 2
2 数据挖掘技术综述 3
2.2 数据挖掘在故障诊断中的应用 4
3 机械故障简述 4
3.1机械故障机理 4
3.1.1 故障的含义 4
3.1.2 机械故障机理 4
3.2 机械故障的一般特性 6
3.3 机械故障诊断方法 6
3.3.1 故障诊断基本思想 6
3.3.2 故障诊断的方法 7
4 聚类分析概述 7
4.1 基本概念 7
4.2 模糊聚类方法 7
5 模糊C-均值聚类算法(FCM) 9
5.1 模糊C-均值聚类算法的原理 9
5.2 模糊聚类算法的一般流程 9
5.3 模糊聚类算法中关于m值要求 10
6 基于模糊Fisher准则的一般算法[7] 11
6.1 基于模糊Fisher准则 11
6.2 FFC-SFCA聚类算法的一般过程 14
7 K-means算法 15
8 实验结果及分析 18
8.1 UCI数据集实验 18
8.1.1 实验结果 18
8.1. *好棒文|www.hbsrm.com +Q: ^3^5^1^9^1^6^0^7^2^*
2 实验结果分析 18
8.2 K-means算法在滚动轴承故障诊断中的应用 20
8.3 FCM算法的应用 22
结 论 25
致 谢 26
参 考 文 献 27
1 绪论
聚类分析是把一个随机的集合分成类似的对象所组成的一簇簇的分析过程。它对人类而言，非常有用。聚类分析最终目的就是要在相一致的基础上收集数据并分析数据进行分类。聚类在多个领域里都有体现，数学，计算机学，心理学，生物学和经济管理学等里都时常会有所体现。在不同的应用领域中，聚类技术也随之得到相应的进步。
1.1 课题来源及意义
本课题来自于江苏省高校自然科学基金重大基础项目(11KJA460001)，数据挖掘的机械设备智能故障的诊断方法是其重点的研究方向，尤其是数据聚类分析在故障诊断中的应用，该课题是人工智能、机器学习与机械工程学科的结合，对于今后的在该领域上的研究有着举足轻重的地位。目前常见的方法主要是基于聚类的方法[7]。
本文借鉴曹苏群等人提出的基于模糊Fisher准则的聚类算法——FFC聚类算法与之前的模糊C均值聚类分析对于算法的优劣进行分析。
1.2 故障诊断技术在中国的发展近况
我国对于故障诊断技术的发展历史时间很短，但自从开始研究以来，一直取得了不错的成果。从75年到85年开始，大体是学习西方，借鉴了其一些研究成果，找到发现了一些基础的诊断方法;从80年代初期到现在是另外以一阶段，这段时间内，我国对于机械设备的故障诊断的研究又有了更深入的研究。随着对故障诊断的不断探索，随着技术水平的不断提高，确实解决了好多之前无法理解的内容，大大提高了研究效率，大大减少了不必要的成本，同时也获取了丰富宝贵的知识经验。
虽然故障诊断技术对于发展中的中国来说还存在难度，但经过多年我国科研人员的不懈努力和钻研，故障诊断系统在我国已逐渐发展起来。当然，只有不断出现的新的方法才会让该技术得到更长远的发展。
1.3 智能故障诊断方法的优势及发展方向
1.3.1 智能故障诊断的优势
该方法是凭借着人工智能的方法和故障诊断相结合所衍生出的产品，主要通过诊断过程中专家知识结合人工智能技术来完成。它包括了可操作人员、能够模拟脑功能的配件和其必备的一些其他器件，再加上可以运行这些硬件的软件。智能诊断系统有如下几个优势：
(l)一个可以不断学习的系统，通过在网上数据的共享不断优化自己。
(2)一个人工智能系统，当你有问题时，可以自动综合网上各种专业知识，对他们进行分析汇总，其效率远超专家，并且具有专家所拥有的全部功能。
1.3.2 智能故障诊断的发展趋势
故障诊断技术不断的向前发展，最终是为了让其能够更加高效对于故障的诊断，时期能够预测并避免故障的发生。伴随着人工智能技术的迅猛发展，人们对智能诊断问题有了更多的研究和理解。
在不远的未来，我们的发展方向有如下：
（1）这种方法可以通过检索到的诊断知识和故障数据来分析，将各式各样的情况进行汇总，以此来判断出故障的具体信息。接着把收集来的信号数据进行在线分析，综合网上的专业知识来解决问题。?
（2）这种方法就是结合各种智能技术，专家系统等的混合诊断系统。这方面的探索才起步，很多问题需要深入研究。
（3）此方法是能将实时的问题传到网上，并经由网络传递给专门负责诊断的公司或部门，其优势在于可以将数据和方法及时的共享在网络上，只要你有网络就可以随时在网上得到数据。
（4）这种方法是通过分析所要检查的设备的健康情况来判断它的下一步运行，以此可以提前找到故障。它相较于之前的会显得更加便利，因为他是集各种功能于一身。
1.4 论文的大体框架
本文的框架结构：
第一章说明了选题的原因和目前国内外故障诊断的发展情况，同时 交代本文所要做的研究工作。
第二章对数据挖掘技术进行综述，充分了解实验数据的来源及其客观性和真实性。
第三章对机械故障的简述，并且描述了其重要特征和诊断方法。
第四章介绍了聚类分析的基本概念，以及聚类的方法，并且重点介绍了模糊聚类的方法。
第五章介绍了模糊C-均值聚类算法（FCM）及其算法步骤。
第六章介绍了基于模糊Fisher准则的聚类算法（FFC-SFCA）。
第七章介绍了K-means算法及其算法步骤。
第八章介绍了UCI数据集实验实验、滚动轴承故障诊断实验以及模糊聚类法的应用。
2 数据挖掘技术综述
数据挖掘（DataMiningDM）和数据仓库技术的发展息息相关的，借由其发展，数据挖掘也逐步发展起来，成为了一种综合人工智能、统计学等知识的技术。数据挖掘不仅能够进修已有的知识，并且能够获得未知的知识，得到的知识是显式的规则，是以数据挖掘技术一经出现就得到了普遍的关注。
自身因素：
形成故障的自身因素是指在运行过程中设备自身发生的例如磨损、腐蚀等，这些会影响设备的正常运行，这些原因有的是单方面的，也有的是多方面的。内在因素在两个方面上有所体现:一方面是在运行过程中周围环境的改变;另一方面是在原材料上、后期工人的制造和装配上，都会导致故障的形成。
1 绪论 1
1.1 课题来源及意义 1
1.2 故障诊断技术在中国的发展近况 1
1.3 智能故障诊断方法的优势及发展方向 1
1.3.1 智能故障诊断的优势 2
1.3.2 智能故障诊断的发展趋势 2
1.4 论文的大体框架 2
2 数据挖掘技术综述 3
2.2 数据挖掘在故障诊断中的应用 4
3 机械故障简述 4
3.1机械故障机理 4
3.1.1 故障的含义 4
3.1.2 机械故障机理 4
3.2 机械故障的一般特性 6
3.3 机械故障诊断方法 6
3.3.1 故障诊断基本思想 6
3.3.2 故障诊断的方法 7
4 聚类分析概述 7
4.1 基本概念 7
4.2 模糊聚类方法 7
5 模糊C-均值聚类算法(FCM) 9
5.1 模糊C-均值聚类算法的原理 9
5.2 模糊聚类算法的一般流程 9
5.3 模糊聚类算法中关于m值要求 10
6 基于模糊Fisher准则的一般算法[7] 11
6.1 基于模糊Fisher准则 11
6.2 FFC-SFCA聚类算法的一般过程 14
7 K-means算法 15
8 实验结果及分析 18
8.1 UCI数据集实验 18
8.1.1 实验结果 18
8.1. *好棒文|www.hbsrm.com +Q: ^3^5^1^9^1^6^0^7^2^*
2 实验结果分析 18
8.2 K-means算法在滚动轴承故障诊断中的应用 20
8.3 FCM算法的应用 22
结 论 25
致 谢 26
参 考 文 献 27
1 绪论
聚类分析是把一个随机的集合分成类似的对象所组成的一簇簇的分析过程。它对人类而言，非常有用。聚类分析最终目的就是要在相一致的基础上收集数据并分析数据进行分类。聚类在多个领域里都有体现，数学，计算机学，心理学，生物学和经济管理学等里都时常会有所体现。在不同的应用领域中，聚类技术也随之得到相应的进步。
1.1 课题来源及意义
本课题来自于江苏省高校自然科学基金重大基础项目(11KJA460001)，数据挖掘的机械设备智能故障的诊断方法是其重点的研究方向，尤其是数据聚类分析在故障诊断中的应用，该课题是人工智能、机器学习与机械工程学科的结合，对于今后的在该领域上的研究有着举足轻重的地位。目前常见的方法主要是基于聚类的方法[7]。
本文借鉴曹苏群等人提出的基于模糊Fisher准则的聚类算法——FFC聚类算法与之前的模糊C均值聚类分析对于算法的优劣进行分析。
1.2 故障诊断技术在中国的发展近况
我国对于故障诊断技术的发展历史时间很短，但自从开始研究以来，一直取得了不错的成果。从75年到85年开始，大体是学习西方，借鉴了其一些研究成果，找到发现了一些基础的诊断方法;从80年代初期到现在是另外以一阶段，这段时间内，我国对于机械设备的故障诊断的研究又有了更深入的研究。随着对故障诊断的不断探索，随着技术水平的不断提高，确实解决了好多之前无法理解的内容，大大提高了研究效率，大大减少了不必要的成本，同时也获取了丰富宝贵的知识经验。
虽然故障诊断技术对于发展中的中国来说还存在难度，但经过多年我国科研人员的不懈努力和钻研，故障诊断系统在我国已逐渐发展起来。当然，只有不断出现的新的方法才会让该技术得到更长远的发展。
1.3 智能故障诊断方法的优势及发展方向
1.3.1 智能故障诊断的优势
该方法是凭借着人工智能的方法和故障诊断相结合所衍生出的产品，主要通过诊断过程中专家知识结合人工智能技术来完成。它包括了可操作人员、能够模拟脑功能的配件和其必备的一些其他器件，再加上可以运行这些硬件的软件。智能诊断系统有如下几个优势：
(l)一个可以不断学习的系统，通过在网上数据的共享不断优化自己。
(2)一个人工智能系统，当你有问题时，可以自动综合网上各种专业知识，对他们进行分析汇总，其效率远超专家，并且具有专家所拥有的全部功能。
1.3.2 智能故障诊断的发展趋势
故障诊断技术不断的向前发展，最终是为了让其能够更加高效对于故障的诊断，时期能够预测并避免故障的发生。伴随着人工智能技术的迅猛发展，人们对智能诊断问题有了更多的研究和理解。
在不远的未来，我们的发展方向有如下：
（1）这种方法可以通过检索到的诊断知识和故障数据来分析，将各式各样的情况进行汇总，以此来判断出故障的具体信息。接着把收集来的信号数据进行在线分析，综合网上的专业知识来解决问题。?
（2）这种方法就是结合各种智能技术，专家系统等的混合诊断系统。这方面的探索才起步，很多问题需要深入研究。
（3）此方法是能将实时的问题传到网上，并经由网络传递给专门负责诊断的公司或部门，其优势在于可以将数据和方法及时的共享在网络上，只要你有网络就可以随时在网上得到数据。
（4）这种方法是通过分析所要检查的设备的健康情况来判断它的下一步运行，以此可以提前找到故障。它相较于之前的会显得更加便利，因为他是集各种功能于一身。
1.4 论文的大体框架
本文的框架结构：
第一章说明了选题的原因和目前国内外故障诊断的发展情况，同时 交代本文所要做的研究工作。
第二章对数据挖掘技术进行综述，充分了解实验数据的来源及其客观性和真实性。
第三章对机械故障的简述，并且描述了其重要特征和诊断方法。
第四章介绍了聚类分析的基本概念，以及聚类的方法，并且重点介绍了模糊聚类的方法。
第五章介绍了模糊C-均值聚类算法（FCM）及其算法步骤。
第六章介绍了基于模糊Fisher准则的聚类算法（FFC-SFCA）。
第七章介绍了K-means算法及其算法步骤。
第八章介绍了UCI数据集实验实验、滚动轴承故障诊断实验以及模糊聚类法的应用。
2 数据挖掘技术综述
数据挖掘（DataMiningDM）和数据仓库技术的发展息息相关的，借由其发展，数据挖掘也逐步发展起来，成为了一种综合人工智能、统计学等知识的技术。数据挖掘不仅能够进修已有的知识，并且能够获得未知的知识，得到的知识是显式的规则，是以数据挖掘技术一经出现就得到了普遍的关注。
自身因素：
形成故障的自身因素是指在运行过程中设备自身发生的例如磨损、腐蚀等，这些会影响设备的正常运行，这些原因有的是单方面的，也有的是多方面的。内在因素在两个方面上有所体现:一方面是在运行过程中周围环境的改变;另一方面是在原材料上、后期工人的制造和装配上，都会导致故障的形成。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/4069.html
