高維徵兆數據特徵下的多故障智慧型診斷方法研究

《高維徵兆數據特徵下的多故障智慧型診斷方法研究》是依託重慶大學,由張可擔任項目負責人的青年科學基金項目。

基本介紹

  • 中文名:高維徵兆數據特徵下的多故障智慧型診斷方法研究
  • 項目類別:青年科學基金項目
  • 項目負責人:張可
  • 依託單位:重慶大學
中文摘要,結題摘要,

中文摘要

複雜過程具有多樣性的特點,大量的無關屬性使得多故障體系非線性特徵明顯。不同的故障間互相關聯、緊密耦合,導致故障徵兆高維稀疏、不易量化、難以區分,傳統的智慧型故障診斷方法難以發現多故障徵兆間的線性函式關係。針對該問題,開展基於高維徵兆數據分析的多故障體系空間和實體識別鑑定的研究。將多故障診斷視為一種不確定性因果關聯表現,以徵兆的空間距離、機率、趨勢、分布、對象組相似度等參數作為多故障體系的數量定性指標,利用類比、學習、自組織等技術手段,使用聯合聚類、非線性映射、目標最佳化、子空間映射等方法,將高維徵兆矢量這類不確定數據在未知的知識範圍內進行合理的聚類分析,實現高維徵兆數據在較低維中的表征,同時使用映射聚類發現有效離群點,確保多故障診斷結果能完整的位於形成的一個類群之中,建立起具有自學習、自適應、和不確定性問題處理能力的多故障診斷方法。

結題摘要

複雜系統具有多數量多層級的組成單元,其規模龐大,結構和層次遠較一般系統複雜,故障的出現機率和嚴重程度較簡單系統高得多,使多重故障成為常態。本項目以複雜系統在運行過程數據為切入點,希望通過開展高維徵兆數據特徵下的多故障智慧型診斷方法的研究,發現反映系統的運行安全和可靠狀況的參數,識別並診斷出其中存在的多個故障。 首先,項目對多重故障(複合故障)的故障機理、表現形式、診斷思路進行了系統性的綜述,統一了“複合故障”和“多重故障”的表現和描述。將故障模式識別存在多輸出可能性的求解問題定義為多重故障診斷的科學問題。按照基於解析模型、基於定性經驗、數據驅動的分類方式分別對現有的典型診斷方法和相關技術進行了綜述; 其次,研究了“面向多故障識別的高維徵兆數據聯合聚類分析方法”。以電力傳輸故障數據、紅外光學感知故障數據、IEEE162電力匯流排故障數據等為對象,研究在僅有單故障樣本的情況下對含有多個故障的徵兆數據進行解耦、減小“維度災難”對高維徵兆數據處理的影響、採用合適的聯合聚類方法,區分故障數據的特徵屬性,使其可以針對派生屬性進行聚類分析等內容; 第三、研究了“基於子空間高維徵兆數據在較低維中非線性映射的多故障區分方法”。採用信息融合的方式,利用RBM等技術,通過對指標的遴選,對其進行變換、組合,得到能夠區分更多故障和狀態的新的特徵指標的方法,研究了故障特徵“多分類”的映射、同類故障的特徵提取、故障模式的綜合特徵組成等問題; 第四,研究了“基於類別區分的多重故障診斷模型框架”。分析了已有基於類別區分的故障診斷方法對於多重故障的缺陷。將故障模式和徵兆數據的表現以及可能的耦合方式作為對象,提出了適合於多重故障診斷的類別區分概念模型,給出了相應的診斷模型框架;在此基礎上,提出了一種自適應的局部簇鄰接半徑閾值確定方法,並在基於密度的聚類分析中驗證了其有效性; 項目還研究了“軟體故障診斷與測試以及在各個層級結構當中的表現”、“高維聚類分析的關聯網路在多故障診斷中的套用”、“高維聚類分析的關聯網路在多故障診斷中的套用”等問題。 本項目研究內容豐富了數據驅動的多重故障診斷方法理論。其中提出的基於類別區分的多重故障診斷模型框架,充分的結合類別區分的競爭機制來應對多重故障已耦合徵兆對於多重故障的不確定性因果關聯表現映射問題。所提出的方法具有較好的通用性和可擴展性,若繼續深入,有望形成完整的方法體系。

相關詞條

熱門詞條

聯絡我們