基于免疫阴性选择算法的转子故障数据分类方法研究的任务书.docx

基于免疫阴性选择算法的转子故障数据分类方法研究的任务书
一、研究背景
旋转机械是现代化工和能源领域中的关键设备，通常在操作过程中需要稳定、高效地运转。转子是其中最为重要的部件之一，转子故障是导致旋转机械工作异常的主要原因之一。因此，转子故障检测和诊断一直是旋转机械领域研究的热点。目前，基于机器学习的转子故障分类方法已经得到广泛应用，但是传统的分类算法在传感器数据较为复杂的情况下，表现不尽如人意，分类效果较难达到预期。
二、研究目的
本研究旨在提出一种基于免疫阴性选择算法的转子故障数据分类方法，能够有效地解决传统算法在传感器数据较为复杂时表现不佳的问题，提高转子故障检测和诊断的准确性和效率。
三、研究内容
1.对转子故障检测和诊断相关方面的研究进行梳理，分析传统分类算法的优缺点；
2.利用免疫阴性选择算法对传感器数据进行特征选择，提取出高效的特征数据；
3.基于所选特征数据，构建多层感知机（MLP）模型，并优化多层感知机的结构、参数等，以实现对转子故障数据的准确分类；
4.分析免疫阴性选择算法在转子故障数据分类中的优势；
5.利用实际转子故障数据对所提出的分类方法进行实验验证，并与传统分类方法进行比较和评价；
6.对实验结果进行分析和总结，为转子故障数据分类提供新的思路和方法。
四、研究意义
1.提高传统机器学习算法在复杂数据下的分类准确性和效率；
2.对转子故障数据分类研究提供新的算法思路，拓展了转子故障检测和诊断领域的研究方向；
3.实现对旋转机械设备异常数据的及时有效诊断和处理，提高设备的稳定运转性和使用寿命。
五、进度安排
本研究计划于2021年3月开始，完成下列工作：
3月-4月：查阅相关文献，分析传统分类算法的优缺点，探究免疫阴性选择算法在复杂数据下的表现和优势；
5月-7月：利用免疫阴性选择算法对传感器数据进行特征选择，构建多层感知机（MLP）模型，并优化其结构和参数；
8月-10月：利用实际转子故障数据对所提出的分类方法进行实验验证，并与传统分类方法进行比较和评价；
11月-12月：分析和总结实验结果，撰写研究报告。
六、参考文献
1.ZhaoyanGong.(2018).ResearchonFaultDiagnosisTechnologyandFaultClassificationMethodofWindTurbineGenerator[D].ZhejiangUniversity.
2.XinyiGuo.(2019).ResearchonTransformerFaultDiagnosisTechnologyBasedonMachineLearningAlgorithm[D].ShenyangUniversityofTechnology.
3.XiaoweiWang.(2017).ResearchonWindTurbineFaultDiagnosisandVibrationAnalysis[D].InnerMongoliaUniversity.
4.LiangMa.(2016).ResearchonFaultDiagnosisofRollingBearingBasedonMachineLearningAlgorithm[D].ZhengzhouUniversity.
5.YangLiu.(2020).StudyontheFaultDiagnosisSystemofWindTurbineBasedonDeepLearning[D].HarbinEngineeringUniversity.