1、 学 位 论 文 用于加工中心的计算机智能监测 控制方法研究 指导教师姓名： 申请学位级别： 硕 士 学科、专业名称： 精密仪器及机械 论文提交日期： 论文答辩日期 : 学位授予单位： 河北工业大学 答辩委员会主席： 评 阅 人： 20XX 年 X 月 河北工业大学硕士学位论文 用于加工中心的计算机智能监测控制方法研究 摘 要 随着现代工业 生产自动化、连续化水平的不断提高，加工中心的占有率也在增大，在生产中已经占有重要地位。加工中心在许多企业中被用于重要的加工环节，如果出现故障后不能及时正确地进行故障诊断和维修，则会带来较大的经济损失。随着粗集理论近年来在智能信息处理研究领域获得了迅速发展，
2、它基于现实的大数据集，从中推理、发现知识和分类系统的某些特点，对于研究不精确知识的表达、学习、归纳方面有其独特之处。 本文研究了基于数据挖掘的加工中心故障诊断方法，跟以往的故障诊断方法不同，研究的方向并不是基于机械振动分析，而是采用了粗集理论结合神经网络 的方法。 论文研究了粗集对故障数据进行约简的可行性，并应用自组织映射神经网络的聚类功能，来实现连续属性值离散化的方法；通过对诊断信息的分析，采取常规约简方法，该方法实现了样本条件属性的约简，可消除样本数据中的冗余信息。采用 MATLAB 神经网络工具箱建立了加工中心故障类型的智能混合诊断系统；研究了智能混合故障诊断系统，并进行了功能模块设计，
3、各功能模块分别为：数据采集模块，数据预处理模块，数据约简模块，神经网络模块，故障诊断模块。在此基础上构建了一个基于粗集 神经网络的智能混合故障诊断系统。 关键词 ：粗 集，神经网络，故障诊断，虚拟仪器，加工中心 i 用于加工中心的计算机智能监测控制方法研究 RESEARCH ON COMPUTER INTELLIGENT MONITORING AND CONTROLING USED FOR MACHINING CENTER ABSTRACT With the development of automation and the high demand of reliableness, Machi
4、ning Center has got important status and predomination in manufacturing. Machining Center has grown as key and deciding factor in many plants. Without timely fault diagnosis and service, serious economic loss can be caused. Rough Sets theory has made fast progress in recent years, it has outstanding
5、 ability in research of expressing, learning ， concluding non-precise knowledge. It is based on practical large data sets, and deduces, find the knowledge and key of the classification systems. So this paper studies a method of Machining Center fault diagnosis based on Rough Sets theory， which is on
6、e of the latest tools in Data Mining area. Not like the usual methods that based on mechanical vibrancy, this method combines the Rough Sets theory with the Artificial Neural Network. The practicality of using rough set to reduce the date was discussed, in this paper, and the interval-valued continu
7、ous attribute discretization by applying self-organizing map neural network clustering was proposed, too. This article proposes a normal concision s method, which reduces the examples condition attribute and eliminates the redundant information of the date. Whats more, it provides the methods used t
8、o diagnosis Machining Centers faults based on the intelligence hybrid system by adopting the MATLAB neural network workbox. At last, the functional modules which make up into intelligence hybrid system for fault diagnosis was introduced, including: data acquisition module, date preprocessor module,
9、date reduction module, neural network module and fault diagnosis module. Herein, intelligence hybrid system based on rough sets and neural network for fault diagnosis is established in this paper. KEY WORDS: rough sets, neutral network, fault diagnosis, virtual instrument, machining center ii 河北工业大学
10、硕士学位论文 目 录 第一章 绪 论 . 1 1 -1 故障诊断技术的研究现状 . 1 1-1-1 传统故障诊断技术 . 1 1-1-2 人工智能故障诊断技术 . 1 1-1-3 数据挖掘在故障诊断中的应用 . 2 1 -2 数据挖掘技术 . 3 1-2-1 数据挖掘基本知识 . 3 1-2-2 数据预处理 . 4 1-2-3 数据挖掘分类 . 5 1 -3 数据挖掘方法和技术 . 6 1-3-1 统计学习方法 . 6 1-3-2 机器学习方法 . 7 1-3-3 生物技术 . 7 1-3-4 数据 挖掘研究中的技术难题 . 7 1-3-5 数据挖掘在故障诊断中的应用 . 8 1 -4 基于粗
11、集的数据挖掘 . 8 1 -5 粗集和神经网络结合的必要性 . 8 1 -6 本课题研究的意义及内容 . 10 1-6-1 本课题的目的和意义 . 10 1-6-2 主要研究内容 . 10 第二章 粗集在故障诊断中的应用 . 11 2 -1 粗集理论的基本概念 . 11 2-1-1 知识与不可辨识关系 . 11 2-1-2 粗集的上近似、下近似及边界 . 12 2-1-3 知识的等价与推广 . 13 2-1-4 知识的简化 . 13 2-1-5 属性的依赖性和重要性 . 13 2 -2 连续数据的离散化方法 . 15 2 -3 粗集数据约简方法 . 16 2-3-1 决策表 . 16 2-3-
12、2 决策表的约简 . 17 2 -4 本章小结 . 20 第三章 人工神经网络的应用 . 21 3 -1 人工神经网络概述 . 21 3 -2 神经网络的特性和学习算法 . 21 3-2-1 人工神经网络的基本特性 . 21 3-2-2 人工神经网络的主要学习算法 . 22 iii 用于加工中心的计算机智能监测控制方法研究 3 -3 神经网络在本论文中的应用 . 22 3-3-1 神经网络用于连续属性离散化 . 22 3-3-2 神经网络用于故障诊断 . 22 3 -4 SOM 网络的原理及算法 . 23 3-4-1 SOM 神经网络模型 . 23 3-4-2 SOM 神经网络的组成 . 23
13、 3-4-3 SOM 模型学习算法 . 25 3 -5 BP 网络的原理及算法 . 26 3-5-1 单隐层 BP 网络的故障诊断方法和特点 . 26 3-5-2 BP 网络学习算法 . 27 3-5-3 BP 网络设计 . 29 3-5-4 基于 MATLAB 的 BP 神经网络的实现 . 29 3 -6 本章小结 . 31 第四章 基于数据挖掘的故障诊断系统 . 32 4 -1 监控对象分析 . 32 4 -2 诊断信息获取和预处理 . 33 4-2-1 诊断信息获取 . 33 4-2-2 诊断信息处理过程 . 33 4 -3 主要功能 . 34 4 -4 总体结构与实现步骤概述 . 34
14、 4 -5 本章小结 . 36 第五章 基于虚拟仪器技术的智能故障诊断系统开发 . 37 5 -1 虚拟仪器及 LabVIEW. 37 5-1-1 虚拟仪器概念 . 37 5-1-2 虚拟仪器的特点 . 37 5-1-3 LabVIEW 语言 . 38 5 -2 LabVIEW 与 MATLAB 的接口问题 . 39 5 -3 智能混合故障诊断系统的软件构成 . 40 5-3-1 数据采集模块 . 40 5-3-2 数据预处理模块 . 42 5-3-3 数据约简模块 . 47 5-3-4 神经网络模块 . 50 5-3-5 故障诊断模块 . 51 5 -4 本章小结 . 54 第六章 结论与展
15、望 . 55 参考文献 . 56 致 谢 . 58 iv 河北工业大学硕士学位论文 第一章 绪 论 1-1 故障诊断技术的研究现状 故障诊断是根据设备运行状态信息查找故障源，并确定相应决策的一门综合性的新兴科学。故障诊断技术进入二十世纪九十年代以来，以前所未有的势头在国内得到了十分迅速的发展，并在机械、石化、冶金、电力等行业得到了十分广泛的应用。随着现代工业及科学技术的迅速发展，工程系统日趋复杂化和自动化，一旦系统出现故障不仅造成严重的社会影响和巨大的经济 损失，而且会危及人身安全，从这个意义上说故障诊断可谓任重而道远。 1-1-1 传统故障诊断技术 工业生产、加工过程中的控制对象常常是复杂的
16、大系统，具有滞后、强耦合、参数时变等严重的非线性特征，且其数学模型太复杂、噪音统计特性不理想，并存在不确定和外部干扰等因素，因而很难得到较准确的在线状态估计或参数估计，从而难以生成残差；然而，任何一种基于模型的故障诊断方法，都要构造一个与故障有关的残差，通过对残差的分析、评估，以实现故障的分离和补偿，这使得大多数基于系统模型的故障检测与诊断方法在非线性系统中难以实现， 或在简化条件下实现也无法实际应用。 以传感器技术和动态测试技术为基础，以信息处理技术为手段的现代设备诊断技术经历了三十多年的发展与应用，已经取得了明显的经济效益。但进一步的理论研究与应用结果表明，由于各种信息检测手段和诊断方法都
17、将诊断对象看成是一个有机的整体，大多是利用诊断对象所表现出来的特定信号 (特征信号 )来诊断特定类型的故障，对多故障同时发生和各种故障之间可能存在的互相联系及影响难以分析，并做出相应决策 1。 1-1-2 人工智能故障诊断技术 与传统的基于传感器技术和信号处理技术的故障诊断相比人 工智能故障诊断的优越性在于：综合了多个专家的最佳经验，功能水平可以达到甚至超过专家水平，实现了人机联合诊断，能够对多故障、多过程和突发性故障进行快速分类诊断 2。 人工智能故障诊断已经在电路与数字电子设备、机电设备等方面得到了应用，但仍存在一些问题 ；领域专家的知识主要依靠知识工程师人工移植， “ 知识瓶颈 ” 问题
18、难于解决；只能局限在相当窄的领域内，依靠的主要是浅知识，缺乏常识即 “ 知识窄台阶 ” 问题；推理方式与策略不灵活，缺乏适应性，易产生 “ 组合爆炸 ” 、 “ 无穷递归 ” 等问题；智能水平低，缺乏自组织、自学习、联想记 忆和类比推理等功能；对结构性很差的知识难以表达和处理；实时在线诊断性能差。上述的缺点已经使人工智能故障诊断的应用和推广受到了一定程度的限制。 常用故障诊断技术的分类： 按故障诊断技术在各个不同工程领域中的应用，其可按如下方法分类： 1. 按诊断环境分有离线人工分析、诊断和在线计算机辅助监视诊断，二者要求有很大差别。 1 用于加工中心的计算机智能监测控制方法研究 2. 按监测
19、手段分： (1)振动监测诊断法以机器振动作为信息源，在机器运行过程中，通过振动参数的变化特征判别机器的运行状态。 (2)噪声检测诊断法以机器运行中的噪声作为信息源，在机器运行过程中，通过噪声参数的变化特征判别机器的运行状态。其本质上与振动监测诊断法是一样的，因为噪声主要是由振动产生的。 (3)温度检测诊断法以可观测的机械零件的温度作为信息源，在机器运行过程中，通过温度参数的变化特征判别机器的运行状态。 (4)压力检测诊断法以机械系统中的气体、液体的压力作为信息源，在机器运行过程中，通过压力参数的变化特征判别机器的运行状态。 (5)声发射检测诊断法金属零件在磨损、变形、破裂过程中产生弹性波，以此
20、弹性波为信息源，在机器运行过程中，分析弹性波的频率变化特征判别机器的运行状态。 (6)润滑油或冷却液中金属含量分析诊断法在机器运行过程中，以润滑油或冷却液中金属含量的变化，判别机器的运行状态。 (7)金相分析诊断法某些运动的零件，通过对其表面层金属显微组织、残余应力、裂纹及物理性质进行检查，研究其变化特征，判别机器设备存在的故障及形成原因。 3. 按诊断方法原理分 (1)频域诊断法应用频谱分析技术，根据频谱特征变化，判别机器的运行状态及故障形成原因。 (2)时域分析法应用时间序列模型及其有关的特性函数，判别机器的 工况状态的变化。 (3)统计分析法应用概率统计模型及其有关的特性函数，实现工况状
21、态监视与故障诊断。 (4)信息理论分析法应用信息理论建立的某些特征函数，在机器运行过程中的变化进行工况状态分析和故障诊断。 (5)模式识别法利用检测信号，提取对工况状态反应敏感的特征量构成模式矢量，设计合适的分类器，判别工况状态，它是人工智能的技术之一。 (6)专家系统，专家系统是一个人工智能计算机程序，它利用知识和推理过程来解决那些需要大量的人类专家知识才能解决的复杂问题，所用的知识和推理过程可认为是最好的领域专家的专 门知识的模型。以此为基础，可把数控机床故障诊断专家系统定义为：能以人类专家水平进行数控机床故障诊断的计算机程序。 (7)人工神经网络神经网络是在生物神经研究成果的基础上提出的
22、人工智能概念，是对人脑神经组织结构和行为的模拟。它以神经元为信息处理的基本单元，以神经元间的连接弧为信息传递通道，多个神经元联接而成的网络结构，具有知识的分布式存储和并行处理等特点。 1-1-3 数据挖掘在故障诊断中的应用 数据挖掘技术是随着人工智能技术和数据库技术的发展而兴起的，能从大量数据中挖掘和发现有价值的、隐含的知识。目前 数据挖掘与知识发现己经被广泛应用于市场营销、银行业、电信业、制造业、保险业医药业等各个领域。随着信息技术的进步以及计算机技术和网络技术的发展，故障诊断中采集的数据 (包括统计数据、实验数据 )可以方便地被收集和存储在各种数据库中。采用传统的数据分析方法对这些巨量的数
23、据进行分析和处理，不仅耗时而且难以有效地挖掘和发现数据中隐含的知识。另一方面，尽管专家系统、智能诊断等方法在故障诊断中得到了广泛的应用，但专家系统的知识瓶颈以及智能诊断方法所带来的诊断推理过程解释困难等问题仍未得到很好的解决。因而数据挖掘技术能有效地 应用于故障诊断中，并且能克服以往存在的知识获取瓶颈。因此，将数据挖掘技术应用于故障诊断中是必要的，也是可行的 3。 2 河北工业大学硕士学位论文 1-2 数据挖掘技术 早在 20 世纪 80 年代，人们在 “ 物竞天择，适者生存 ” 的大原则下，就认识到 “ 谁最先从外部世界获得有用信息并加以利用，谁就可能成为赢家 ” 。因此，如何对数据与信息快
24、速有效地进行分析、加工、提炼以获取所需知识，就成为计算机及信息技术领域的重要研究课题。而计算机及信息技术发展的历史，也就是数据和信息加工手段不断 更新和改善的历史。 随着数据库技术与应用的日益普及，人们面临着快速扩张的数据海洋，如何有效利用丰富的数据海洋所蕴含的宝藏为人类服务，人们所依赖的数据分析工具却无法有效地为决策者提供其决策支持所需要的相关知识，从而形成了一种 “ 丰富的数据，贫乏的知识 ” 之独特的现象。为有效解决这一问题，数据挖掘技术逐步发展起来，其迅速发展得益于目前全世界所拥有的巨大数据资源，以及对将这些数据资源转换为信息和知识资源的巨大需求。 1-2-1 数据挖掘基本知识 数据挖
25、掘（ Data Mining，简称 DM）是从数据库中知识发现 (Knowledge Discovery from Database，简称 KDD)的一个重要组成步骤，它是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的复杂过程 4，如图 1.1 所示： 整个知识挖掘过程是由若干挖掘步骤组成，而 DM 仅是其中的一个主要步骤。整个知识挖掘的主要步骤有： 数据清洗：其作用就是清除数据噪声和与挖掘主题明显无关的数据： 数据集成：其作用是将来自多数据源中的相关数据组合到一起； 数据转换：其作用是将数据转换为易于进行数据挖掘的数据存储形式； 数据挖掘：它 是知识挖掘的一个基本步骤，其作用就是利用智能方法挖掘数据模式或规律知识；模式评估：其作用就是根据一定评估标准从挖掘结果筛选出有意义的模式知识； 知识表示：其作用就是利用可视化和知识表达技术，向用户展示所挖掘出的相关知识。 图 1.1 知识挖掘全过程示意描述 Fig. 1.1 Data mining described in the whole course 3 用于加工中心的计算机智能监测控制方法研究 尽管 DM 仅仅是整个知识挖掘 过程中的一个重要步骤，但在工业、媒体、数据库研究领域中，“ 数据挖掘 ” 一词己被广泛使用和普遍接受，
