[基于无监督学习的状态监测和故障诊断技术研究]廖文兰

【基於无监督学习的状态监测和故障诊断技术研究】廖文兰.pdfADissertationSubmittedinPartial Fulfillmentofthe Requirementsfor theDegree of Doctor of Philosophy inEngineering Research onUnsupervised Learning to Condition Monitoring and Fault Diagnosis Ph.D.Candidate:LIAO Guanglan Major:Mechanical Engineering Supervisors:ProfessorSHI Tielin HuazhongUniversityo华中科技大学博士学位论文 法可求出数据的实际分布,并克服了SOFM方法中的一些重要不足之处。论文研究了GTM 在故障诊断和状态监测中的应用,提出了基于GTM的机械设备故障模式识别和状态监 测方法,并应用于冷轧过程的颤振识别和监测。研究表明,GTM可以将冷轧过程中的 正常和颤振状态正确区分开,并且,特征数据在平面上的映像点轨迹变化趋势,也清 楚反映了轧制状态的变化,便于及时监测到颤振的产生及发展.由于机器学习理论正处于不断的发展过程中,有关无监督学习的研究也正是方兴 未艾,而且,随着机械设备的日趋大型化、复杂化和高度自动化,相应地诊断的困难 程度也日益增加、诊断要求也不断发展,因此,无监督学习华中科技大学博士学位论文 against widely used U-matrix method.In terms of“similarities or“responsibilities evaluatedbasedonEuclideandistancesbetweeninputvectorsandneuronsweights combinedwiththedistributionofthefixedlatticesinthenetwork,theinputvectorsare theproposedmethodcouldvisualizemoreclearlyanddistinct
———— 文字由OCR识别(未校验)，可能存在错字；请以原始完整版为准。