论文部分内容阅读
近年来,为适应城市发展的需要和满足城市居民日益增长的出行需求,城市地铁建设不断加快了步伐。盾构机是挖掘地铁隧道的专用设备之一,由于盾构机是集光、机、电、液、传感、信息技术于一体的超大型、复杂设备,在日常挖掘中常会遇到液压和电气控制方面的一些故障,这些故障不仅会造成重大的经济损失,严重者甚至造成人员的伤亡。因此,及时有效的分析盾构机故障产生的原因,以及对未来运行状况做出正确的判断,将具有重大的经济效益和学术研究价值。盾构机的数据采集系统中存储着大量的数据,如何从这些数据中提取出有用的知识是盾构机故障诊断的关键。本文将数据挖掘技术应用到盾构机故障诊断中,利用数据挖掘技术中的粗糙集理论去掉数据中对故障诊断决策不起作用的冗余信息。针对传统的属性约减方法重复属性多的缺点,本文提出一种基于属性重要度选择的约简方法。以约简后的数据作为神经网络的前置环节,采用神经网络算法的阀值判别条件对故障数据进行诊断,诊断出故障发生的原因及部位。其次,由于盾构机运行时呈现出的复杂、不确定性行为,单一的预测模型难以真实的反映其运行状态的变化规律。因此,本文提出一种最小二乘与神经网络相结合的方法做进一步预测。最小二乘能反映线性序列的趋势走向,神经网络能抓住非线性时间序列的变化规律,两者优势互补。以此实现对盾构机未来运行状况的预测。最后,通过VS2005编程实现粗糙集属性约减算法,并结合Matlab仿真分析故障诊断、预测算法的可行性。