● 摘要
近年来数据挖掘技术的快速发展，使得利用某军用产品电气设备出厂时积累的大量测试数据进行故障检测成为可能。监督或半监督的数据挖掘算法可以从海量的历史数据中学习到故障检测知识,使得故障检测技术的关键问题——“知识发现”变得更加容易。在研究实际测控数据特点的基础上,分析了传统故障检测技术的优缺点,提出了基于数据挖掘技术进行故障检测的可行方法,指出了基于数据挖掘的电气设备故障检测技术下一步研究的主要方向。
本文根据某电气设备出厂检测要求，该故障诊断系统实现了在高速采集和低速采集两种数据模式下，对产品的力学振动测试及温度循环试验，并进行故障检测。力学振动试验下，设备故障率非常低，故障数据非常稀疏，采用人工的故障规则库完成故障检测。在可靠性试验下会产生大量的故障数据，传统的手工诊断技术不管是在工作量以及实时性要求上已经无法满足诊断系统的要求，为此，本文提出了三种数据挖掘模型来应对。首先是基于神经网络的数据挖掘算法，通过已有的带故障类型标注的数据样本训练得到一个分类器，对新的测试数据进行预测。其次，使用了决策树算法来进行故障检测，通过决策树生成的例子，验证使用决策树来生成故障规则的有效性。最后，还应用了聚类算法来对故障检测做了进一步的研究，发现K-means算法在应对大数据量，以及在有比较准确的初始值的情况下，有着非常好的表现。
最后，本文详细介绍了该系统体系结构,包括数据采集模块、数据挖掘模块、知识数据等设计与实现，经产品实测结果表明，该系统在实际运行中取得了较好的效果。
近年来数据挖掘技术的快速发展，使得利用某军用产品电气设备出厂时积累的大量测试数据进行故障检测成为可能。监督或半监督的数据挖掘算法可以从海量的历史数据中学习到故障检测知识,使得故障检测技术的关键问题——“知识发现”变得更加容易。在研究实际测控数据特点的基础上,分析了传统故障检测技术的优缺点,提出了基于数据挖掘技术进行故障检测的可行方法,指出了基于数据挖掘的电气设备故障检测技术下一步研究的主要方向。
本文根据某电气设备出厂检测要求，该故障诊断系统实现了在高速采集和低速采集两种数据模式下，对产品的力学振动测试及温度循环试验，并进行故障检测。力学振动试验下，设备故障率非常低，故障数据非常稀疏，采用人工的故障规则库完成故障检测。在可靠性试验下会产生大量的故障数据，传统的手工诊断技术不管是在工作量以及实时性要求上已经无法满足诊断系统的要求，为此，本文提出了三种数据挖掘模型来应对。首先是基于神经网络的数据挖掘算法，通过已有的带故障类型标注的数据样本训练得到一个分类器，对新的测试数据进行预测。其次，使用了决策树算法来进行故障检测，通过决策树生成的例子，验证使用决策树来生成故障规则的有效性。最后，还应用了聚类算法来对故障检测做了进一步的研究，发现K-means算法在应对大数据量，以及在有比较准确的初始值的情况下，有着非常好的表现。
最后，本文详细介绍了该系统体系结构,包括数据采集模块、数据挖掘模块、知识数据等设计与实现，经产品实测结果表明，该系统在实际运行中取得了较好的效果。
相关内容
相关标签