摘抄整理：基于数据驱动的故障诊断方法综述

最新推荐文章于 2025-03-08 09:18:22 发布

Solor_Rays

最新推荐文章于 2025-03-08 09:18:22 发布

阅读量7.4k

点赞数 7

分类专栏：机器学习故障诊断文章标签：神经网络数据挖掘机器学习

本文链接：https://blog.csdn.net/yg970514/article/details/107770930

版权

本文概述了基于数据驱动的故障诊断方法，包括统计分析（PCA、ICA、PLS）、非负矩阵分解（NMF）、时间序列分析（TSA）、灰色理论、信号处理（小波变换、谱分析、经验模式分解、形态信号处理）以及人工智能方法（神经网络、支持向量机、极限学习机、模糊逻辑）。每种方法都有其优缺点，如PCA在降维时可能丢失微小特征，而人工智能方法则依赖于故障样本的完备性和代表性。综合运用这些方法有助于提高故障诊断的准确性和效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文为知网收录仅供参考，本人只是由于目前在学习相关知识，所以先查找国内文献进行学习和总结。侵权立删。
文章引用：
[1]文成林,吕菲亚,包哲静,刘妹琴.基于数据驱动的微小故障诊断方法综述[J].自动化学报,2016,42(09):1285-1299.

故障诊断综述的方法：

在这里插入图片描述

基于统计分析方法

刻画并利用变量之间的相关性，适用于高维系统的故障检测与诊断

PCA：
优点：分析处理具有高度线性相关性的测量数据，降维；可以反映检测变量的主要变化，残差子控件反映检测过程的噪声和干扰
缺点：（1）假设数据服从高斯分布，然而数据未必服从高斯分布。（2）传统PCA属于混合潜变量分析，不能直接处理非线性和多模态问题（3）PCA采用T²和SPE等统计量作为评价指标扩大检测区域，不能很好描述正常数据分布。
ICA：
优点：针对于具有非正态分布的多变量系统提出；当感兴趣信号的能量和强度相比其他信号较弱时，这种转换比PCA更有效；提取互相独立的主元变量；提取高阶统计量信息
缺点：但要求数据在时间序列上独立，但是工业数据采集大都依据时间采样，这就忽视了故障数据在时间上的相关性。
PLS：

最低0.47元/天解锁文章