论文部分内容阅读
随着现代设备的复杂化和大型化,系统的异常检测和故障诊断一直是学术界关注的重点问题。若不能及时发现并处理系统故障,将造成巨大的人员伤亡和经济损失。如果能及时检测出早期故障并隔离报警,将有效避免异常事故的发生。因此,对复杂系统进行合理的故障诊断成为关键手段。目前故障诊断的研究热点主要为基于智能学习方法的数据驱动故障诊断方法,但是传统的智能学习方法尚不能充分挖掘数据中隐含故障特征信息,存在逼近精度不足的问题,且故障诊断模型中参数不确定性的情况大量存在,导致故障诊断精度波动大及精度不够的问题。为此,本文从故障诊断的特征提取角度及智能故障诊断模型构建角度,分别提出基于机器学习算法的隐含故障特征提取方法以及集成多种机器学习算法的故障诊断模型,以提高故障诊断的精度。基于UCI机器学习数据库中的数据集对上述方法及模型进行了分析验证,并通过注塑机拉杆的故障诊断实例来验证所提方法的有效性。本文的主要工作如下:(1)提出基于极限梯度提升(eXtreme Gradient Boosting,XGBoost)算法的隐含故障特征提取方法。研究此方法的深层次特征提取能力,并分析使用提取的隐含故障特征前后所构建的支持向量机(Support Vector Machine,SVM)、神经网络、随机森林故障诊断模型在测试数据上的诊断预测准确度变化,验证方法的有效性及通用性。(2)提出基于LightGBM算法的故障诊断模型。研究该模型在复杂数据背景下,对故障诊断问题的分类识别能力,对比该诊断模型与几种传统故障诊断模型及深度学习模型的故障诊断性能。研究不同参数下,基于LightGBM算法的故障模型诊断识别能力的变化情况。考虑参数不确定性对模型诊断预测性能的影响,对贝叶斯优化算法的高斯过程(Gaussian Process,GP)及采集函数进行改进,提出基于改进贝叶斯优化(Bayesian Optimization Algorithm,BOA)的LightGBM故障诊断模型,并研究了改进BOA-LightGBM故障诊断模型与网格搜索LightGBM故障诊断模型与随机搜索LightGBM故障模型的诊断预测性能。(3)将机器学习算法应用于拉杆的故障诊断,使用XGB-BOA-LightGBM模型对拉杆故障进行诊断识别,解决拉杆的实时故障诊断预测问题。讨论分析了不同数据特征下的拉杆故障诊断效果,并研究分析XGB-BOA-LightGBM故障诊断模型对拉杆故障的实时诊断预测效果。