关键词：机械故障诊断;;FastAP聚类算法;;集合经验模式分解
摘 要：随着物联网技术的发展,实时监控设备已经广泛应用于港口机械设备的管理中。对设备的实时监控会产生大量反映设备当前运行状态的监控数据。数据挖掘技术因能在大数据中发现有效信息的独特优势,越来越广泛的应用于故障诊断领域。本文运用数据挖掘技术,研究港口机械设备故障诊断方法,为港口机械设备故障诊断提供技术支持。设备故障诊断的关键在于故障特征提取和故障模式识别两个方面。故障特征提取是从监控信号中提取出能表征机械状态特征量的过程;故障模式识别是指根据提取的故障特征,对故障样本进行分类的过程。围绕以上两个关键问题,本文从以下几个方面展开研究工作:(1)本文引入AP聚类算法对海量港口机械监控数据进行聚类分析,获取港口机械不同运行状态的关键信息。利用AP聚类算法不需要预先设置聚类中心个数、聚类结果粒度细的特点,提高故障模式识别的精度。通过压缩和稀疏两个步骤减小相似度矩阵规模的方式,降低了AP聚类算法的时间复杂度。(2)提出了一种基于FastAP算法的故障诊断模型。该模型首先利用集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)方法对设备监控数据进行预处理,得到若干内禀模态分量(Intrinsic Mode Functions,IMF);接着使用近似熵(Approximate Entropy,ApEn)理论提取能反映机械设备运行状态的特征向量;然后利用FastAP算法对机械设备运行状态特征向量进行聚类分析得到聚类簇中心结果;最后通过比较新故障样本与聚类簇中心的距离实现对新故障样本的故障诊断。实验结果表明该诊断模型能有效地支持港口机械设备的故障诊断。(3)设计并实现了一个港口机械故障诊断原型系统。采用C#语言,使用Visual Studio 2013与matlab混合编程方法,将基于FastAP算法的故障诊断模型应用于该系统,实现了聚类分析和故障诊断功能,通过一个实例展示故障诊断原型系统。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取