论文总字数：27457字

摘 要

当今的机电一体化系统通常与高的软件和系统复杂性相关联，使得开发并且特别是维护那些系统是一项挑战性的任务。对于工业系统设备，维护策略通常是反应性的，这意味着故障仅在发生之后才能被锁定。在工业系统中，预测性维护是很难实现的（即，在故障发生之前告知需要进行维护），这是因为机载传感器的预算有限以及开发能够处理多种不同类型的故障的算法所需的工程时间量，这种算法，须能在各种设备配置中工作，并且在变化的环境条件下使用许多不同类型的操作。

然而，随着目前工业系统设备量的增加，对零部件可靠性和效率要求的提高，维护的成本也在不断增加，而应对这种情况的唯一解决方案就是转向自动化数据分析。同时，随着低成本无线通信的引入，现在可以在设备使用过程中实时进行数据挖掘。通过设备的不同信号的关联信息来指示可能的异常情况。

本系统提供了有监督和无监督的方式来进行故障检测。监督模型，通过标记阶段由专业人员对数据打上标签，然后使用这些已被标记的数据作为训练数据，训练分类模型。而无监督模型，能对无标签数据通过聚类来划分类别，从而训练出能识别故障设备的模型。

关键词：机器学习、故障检测、智能诊断、LabVIEW、InsightCM

Design and Realization of Industrial Equipment State Intelligent Diagnosis System Based on Machine Learning Algorithm

Student ID: 71113206

Student Name: Yanya Zhang

Advisor：Guanyu Yang, Yifan Liu

Abstract

Today's mechatronic systems are often associated with high software and system complexity, making developing and, in particular, maintaining those systems a challenging task. For industrial system equipment, maintenance strategies are usually reactive, which means that the failure can only be locked after it occurs. In industrial systems, predictive maintenance is difficult to achieve (ie, maintenance is required before a failure occurs) because of the limited budget of the on-board sensors and the development of algorithms that can handle many different types of failures, this algorithm must be able to work in a variety of equipment configurations, and in changing environmental conditions using many different types of operations.

However, with the current increase in the amount of industrial system equipment, the reliability and efficiency requirements for components, maintenance costs are increasing, and the only solution to this situation is to turn to automated data analysis. At the same time, with the introduction of low-cost wireless communications, now it’s possible to realize real-time data mining. The possible anomalies are indicated by the associated information of the different signals of the device.

The system provides a supervised and unsupervised way to perform fault detection. Supervised model, mark the data by the professionals at the marking stage, and then use these marked data as training data to train the classification model. The unsupervised model can classify the unlabeled data by clustering, then train a model that identifies the faulty device.

Keywords: Machine Learning, Fault detection, Intelligent Diagnosis, LabVIEW, InsightCM

目 录

摘 要 I

Abstract II

第一章 引言 1

1.1 研究背景及意义 1

1.1.1 预防性维护 1

1.1.2 运行直至故障 1

1.1.3 预测维护 1

1.1.4 辅助或平衡设备（BOP） 1

1.1.5 关键设备 2

1.2 研究现状 2

1.3 本文研究内容 4

1.4 本文组织结构 4

第二章 相关技术基础 6

2.1 InsightCM 6

2.2 MongoDB 6

2.3 AMQP 6

2.4 MessageBus 7

2.5 RabbitMq 7

2.6 聚类算法 7

2.7 分类算法 10

2.8 本章小结 12

第三章 需求分析 13

3.1 功能需求分析 13

3.2 非功能性需求分析 19

3.2.1 准确性需求 19

3.2.2 稳定性需求 19

3.2.3 可维护性需求 19

3.3 本章小结 19

第四章 总体设计 21

4.1 系统功能模块设计 21

4.2 系统数据库与接口设计 22

4.3 本章小结 24

第五章 详细设计与实现 25

5.1 详细设计 25

5.1.1 数据标记管理 25

5.1.2 训练数据准备 26

5.1.3 模型创建 28

5.1.4 模型管理 40

5.1.5 故障预测 41

5.2 系统实现 42

5.3 系统运行效果 42

5.3 系统测试 43

5.4 本章小结 46

第六章 总结和展望 47

参考文献 48

致 谢 49

第一章 引言

1.1 研究背景及意义

在本毕业设计中，是通过对工业设备的历史数据进行建模分析，然后通过模型来预测该设备的状态，从而起到防患于未然的作用。状态监控是监控状态的过程，例如振动和温度，以评估其健康状况，并确定是否必须采取一些措施以防止故障。状态监控有助于实现预测性维护。

状态监测的预测性维护策略可以帮助降低机器操作的成本。在机器即将故障的时仍然继续使用，使得故障的风险显着上升。有三种主要类型的维护策略：预防性维护，运行直至故障和预测性维护。

1.1.1 预防性维护

这个策略完全依赖于时间，而不是机器性能，通常基于制造商的建议维护计划。这意味着，不仅修复会在不需要时执行，导致不适当的停机时间，而且还可能错过比制造商预期更快发生的设备劣化。

1.1.2 运行直至故障

这是一种完全依赖于机器性能的维护方法，只有在机器发生故障时才进行修复。它延长了机器的正常运行时间，但由于灾难性故障的风险增加，大大增加了维修成本。

1.1.3 预测维护

这种使用状态监测的策略试图通过只在发生不可接受的操作时才执行修理来延长机器的正常运行时间。

剩余内容已隐藏，请支付后下载全文，论文总字数：27457字