基于cbr的旋转机械故障诊断系统的研究开发

《基于cbr的旋转机械故障诊断系统的研究开发》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、隶．初大·嘤硕士学位论文基于CBR的旋转机械故障诊断系统的研究开发WANGXiao—qinSupervisedbyAssociateProfessorLIUZhen—xiangSchoolofEnergyandEnvironmentSoutheastUniversityMarch2010东南大学学位论文独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位

2、或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。研究生签名：—立立睦R期：—塑丘产东南大学学位论文使用授权声明东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布(包括刊登)论文的全部或部分内容。论文的公布(包括刊登)授权东南大学研究生院办理。研究生签名：≥!】二墼导师签名：日期：划埠蛆赳摘

3、要题名：基于CBR的旋转机械故障诊断系统的研究丌发姓名：王小琴导师：刘振祥学校：东南大学正文：基于案例推理的技术(CBR)是人工智能领域一种新兴的问题求解方法，将该方法应用到旋转机械故障诊断领域，对于克服传统故障诊断方法的缺陷，推动故障诊断技术的发展具有重要的意义。本文对基于CBR的旋转机械故障诊断模型、故障案例的表示方法、案例库的组织、案例诊断中的关键技术、案例推理及检索策略等进行了深入研究，主要研究内容如下：1．在查阅大量文献的基础上，分析了旋转机械故障诊断的研究现状，结合传统故障诊断存在的困难和CBR技术的特点，

4、将CBR技术应用到故障诊断，并提出将数据挖掘方法引入到CBR故障诊断中，以解决案例诊断的关键问题。2．提出了基于CBR技术的故障诊断模型，详细分析了故障案例的表示内容和方法，采用面向对象技术和数据库技术相结合的案例表示方法，并对CBR旋转机械故障诊断各环节中的关键技术进行了分析和论述。3．着重研究了不平衡、不对中、动静摩擦和油膜振荡这四种典型故障，分析了这些故障的机理及其特征表现，并通过频谱、时域和时间趋势分析得到故障特征属性集，通过对属性值的数学处理，形成了故障特征表。4．采用粗糙集方法对故障特征属性进行约简，提取出

5、关键属性，形成故障案例库。此外，采用聚类方法对案例库的组织结构进行分级聚类，将案例库组织为由代表案例库和具体案例库构成的二级结构。5．采用经典的决策树算法提炼故障判别规则，对可能或即将发生的故障进行预测，有效控制故障的发生，并将聚类分析方法与CBR技术相结合对案例库中没有的新案例进行诊断，弥补单靠CBR诊断的不足。同时，通过故障实例认证其可行性。6．以CBR理论为基础，结合数据挖掘技术，设计了一个CBR故障诊断系统，包括系统整体结构、各个模块功能与关键技术等，实现了故障数据的预处理、故障数据库的管理及故障诊断等一系列功

6、能。研究表明，将CBR技术应用到旋转机械故障诊断中，有效克服了传统故障诊断系统的缺陷，具有一定的实际应用价值。关键词：故障诊断；特征提取；案例库；粗糙集；聚类technique，CBRtechniquewasappliedtofaultdiagnosisanddataminingmethodswereintroducedintothekeytechniquesofCBRfaultdiagnosistosolvethekeyissuesofcase-baseddiagnosis．2．Acase-basedfaultdia

7、gnosismodelWaspresent．BasedontheanalysisofthecontentandmethodofCaSes，theobject-orientedmethodanddatabasetechnologyWascombinedtorepresentcases．Andthekeytechnologiesappliedinrotatingmachineryfaultdiagnosiswereanalyzedanddiscussed．3．Phenomenonandmechanismoffourtypi

8、calfaultssuchaStheimbalante，misalignment，dynamicandstaticfrictionandoilwhipWassmdiedindepth．Throughthefrequencydomain,timedomainandtime-trendanaiysisfaultattributeset