基于PCA與k-NN的故障檢測與診斷方法研究.pdf

1、現(xiàn)代工業(yè)化生產(chǎn)規(guī)模的不斷擴(kuò)大，使得各種設(shè)備不斷增多并趨于更加智能化，工業(yè)系統(tǒng)逐漸向智能制造系統(tǒng)發(fā)展，整個(gè)工業(yè)過程越來越復(fù)雜，從而各種各樣故障的產(chǎn)生在所難免。這種復(fù)雜的工業(yè)系統(tǒng)在運(yùn)行過程中，一旦某個(gè)環(huán)節(jié)出現(xiàn)故障，將會(huì)影響整個(gè)系統(tǒng)的正常運(yùn)行，嚴(yán)重的還可能導(dǎo)致系統(tǒng)的崩潰。因此，對(duì)工業(yè)過程進(jìn)行實(shí)時(shí)監(jiān)測，對(duì)將要出現(xiàn)的故障進(jìn)行及時(shí)檢測與診斷，對(duì)發(fā)生故障的原因進(jìn)行準(zhǔn)確判斷，是現(xiàn)代工業(yè)過程中不可缺少的一部分，這將為整個(gè)工業(yè)系統(tǒng)的安全穩(wěn)定運(yùn)行提供有力的保

2、證。以往故障檢測與診斷的研究對(duì)象主要集中于獨(dú)立的大型復(fù)雜設(shè)備，重點(diǎn)研究其故障檢測和故障原因診斷，或者僅對(duì)故障分類進(jìn)行研究。但是，隨著信息技術(shù)的發(fā)展，工業(yè)過程中所涉及的所有設(shè)備和系統(tǒng)通過網(wǎng)絡(luò)形成了一個(gè)龐大復(fù)雜的系統(tǒng)。在這種復(fù)雜系統(tǒng)下，故障的類型大大增加，涉及的變量越來越多，故障的檢測和診斷更加困難，僅僅檢測并診斷出故障原因已經(jīng)不能為解決故障提供充足的依據(jù)，需要對(duì)故障檢測、故障原因診斷以及故障類型識(shí)別進(jìn)行系統(tǒng)的研究，使故障檢測與診斷識(shí)別過程

3、統(tǒng)一而完整。因此，針對(duì)日益復(fù)雜的工業(yè)系統(tǒng)，研究如何實(shí)現(xiàn)有效的故障類型識(shí)別很有必要，在傳統(tǒng)的故障檢測與故障診斷的基礎(chǔ)上引入故障類型識(shí)別，可使故障檢測與診斷過程更完善，為進(jìn)一步處理故障提供有效的參考和有力依據(jù)。
　　本文以基于網(wǎng)絡(luò)的復(fù)雜工業(yè)系統(tǒng)為研究對(duì)象，在深入分析PCA與k-NN方法的基礎(chǔ)上，對(duì)基于PCA的故障檢測過程、基于貢獻(xiàn)圖的故障原因診斷過程以及基于k-NN的故障類型識(shí)別過程進(jìn)行了系統(tǒng)研究。由于在復(fù)雜的工業(yè)過程中，對(duì)設(shè)備進(jìn)行故

4、障檢測與診斷往往需要考慮整個(gè)生產(chǎn)過程中的相關(guān)變量，現(xiàn)代以網(wǎng)絡(luò)構(gòu)成的復(fù)雜工業(yè)系統(tǒng)所涉及的變量大大增加，這種現(xiàn)狀給統(tǒng)計(jì)分析造成了較大困難。主成分分析（PCA）方法，作為一種多元統(tǒng)計(jì)分析方法，可以有效地找出數(shù)據(jù)中最“主要”的變量結(jié)構(gòu)，去除噪聲和冗余，降低原來復(fù)雜數(shù)據(jù)的維數(shù)，找到隱藏在復(fù)雜數(shù)據(jù)之中的簡要結(jié)構(gòu)，大大簡化整個(gè)分析過程。運(yùn)用PCA進(jìn)行故障檢測，找到故障。接著，采用貢獻(xiàn)圖法進(jìn)行故障原因診斷，對(duì)故障變量進(jìn)行判斷，確認(rèn)引起故障的具體數(shù)據(jù)變量

5、。然后，將 k近鄰（k-NN）這種具有較高分類準(zhǔn)確率而被廣泛應(yīng)用于文本自動(dòng)分類等領(lǐng)域的機(jī)器學(xué)習(xí)方法引入到故障類型的識(shí)別領(lǐng)域，以k-NN分類方法為基礎(chǔ)對(duì)復(fù)雜工業(yè)系統(tǒng)的故障類型識(shí)別方法進(jìn)行研究。針對(duì)k-NN方法會(huì)因樣本分布不均勻而易造成誤判、k值的大小選擇也會(huì)影響分類效果等主要問題，在k-NN的優(yōu)化方法LMC的基礎(chǔ)上，針對(duì)復(fù)雜工業(yè)系統(tǒng)的特點(diǎn)提出了N-LMC方法。該方法利用更注重維度之間差異的夾角余弦距離來衡量樣本數(shù)據(jù)之間的相似度，優(yōu)化了LM

6、C的分類效果，更加適用于復(fù)雜工業(yè)過程中的多維數(shù)據(jù)分類。接著，針對(duì)龐大復(fù)雜的故障數(shù)據(jù)，結(jié)合PCA方法對(duì)故障數(shù)據(jù)集進(jìn)行降維，將N-LMC方法應(yīng)用于具體故障數(shù)據(jù)的類型識(shí)別中。通過MATLAB仿真實(shí)驗(yàn)實(shí)現(xiàn)了針對(duì)典型數(shù)據(jù)集的故障檢測、故障診斷和基于本文提出的N-LMC方法的故障識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文所提出的N-LMC方法比k-NN和LMC分類方法的準(zhǔn)確率更高，且更適用于復(fù)雜的多維數(shù)據(jù)分類。然后通過縱向?qū)Ρ葘?shí)驗(yàn)驗(yàn)證了將N-LMC方法與PCA結(jié)合后