基于支持向量机的转子系统故障诊断方法研究

摘要

近年来，关于设备状态监测与故障诊断方面的研究工作得到越来越高的重视，相关的理论研究也得到迅速发展。支持向量机在解决基于小样本情况的分类问题方面表现出良好的性能。它根据结构风险最小化原则，具有全局最优解，根据有限的样本信息在模型的复杂性和学习能之间寻求最佳折衷，以获得最好的推广能力并能有效地解决“过学习”问题。
　　 本文结合转子实验台上模拟的常见故障，采用熵带法对故障振动信号进行特征提取。为了使支持向量机具有更高的分类准确率，运用粒子蚁群算法对支持向量机的参数进行优化。针对故障多分类问题围绕以上实验分析和理论算法，本文的主要工作内容和研究结论如下：
　　 1)在转子实验台上模拟了四种典型故障，分析了四种故障的机理并对故障信号进行了滤波消澡、频谱分析、轴心轨迹分析。在此基础上分析了信号在时域的奇异值谱熵、频域的功率谱熵、时频域的小波能谱熵和小波空间谱熵。并计算了四种故障信号的熵带范围，讨论了常规的基于信息熵的故障诊断方法。
　　 2)因直接把熵带作为SVM的训练样本和测试样本存在数据冗余问题，故以熵带数据为基础，对其作为SVM的训练样本进行了数据预处理研究。包括样本归一化和主元特征提取。后续的实验表明，经过处理后的熵带数据不仅能够反映振动信号的特征，而且适合SVM进行模型训练和故障分类。
　　 3)以构造最优分类器为目标，系统地研究了PSO算法和GA算法优化SVM参数后对分类准确率的影响。通过把已经处理好的数据输入到SVM中，分别应用GA和PSO对SVM的核参数与惩罚因子优化并对未知故障类别的样本测试发现，GA优化后的SVM分类性能较差，且模型训练时间较长，而PSO优化得到的SVM具有良好的分类准确率和较快的训练时间。
　　 4)由于本研究是多故障分类问题，而SVM是二分类器，故基于一对多的方法设计了可以分离四种故障的SVM多故障分类器。对各个分类器分别应用PSO算法进行参数寻优。并基于以上算法流程开发了一套基于MATLAB GUI的转子故障诊断系统，子系统一可以实现对振动信号的消澡分析，频谱分析，轴心轨迹分析等；子系统二可以根据样本特点对分类器进行参数寻优，实现对未知故障的判别，实验结果验证了该系统的有效性。

目录

文摘

英文文摘

插图索引

附表索引

第1章 绪论

1.1 选题背景及意义

1.2 旋转机械故障诊断技术

1.3 支持向量机在故障诊断领域研究的国内外现状

1.3.1 国外研究现状

1.3.2 国内研究现状

1.4 课题来源及主要内容

1.4.1 课题来源

1.4.2 主要研究内容与安排

第2章 典型故障信号的分析和特征提取

2.1 引言

2.2 实验装置简介

2.3 典型故障信号分析

2.4 熵带法及其基本性质

2.4.1 熵带法概念

2.4.2 熵带法基本性质

2.5 振动信号的熵带特征

2.5.1 奇异值谱熵

2.5.2 功率谱熵

2.5.3 小波空间状态特征谱熵和小波能谱熵

2.6 基于信息熵的转子系统故障诊断

2.7 本章小结

第3章 基于支持向量机的转子系统故障多分类器设计

3.1 引言

3.2 统计学习理论基础

3.2.1 VC维

3.2.2 推广性的界

3.2.3 结构风险最小化

3.3 支持向量机的两分类问题

3.3.1 线性可分情况

3.3.2 非线性可分情况

3.3.3 核参数与惩罚因子C对SVM分类性能的影响

3.4 仿真实验

3.5 支持向量机的多分类问题

3.5.1 一对一(one against one)算法

3.5.2 一对多( one against all)算法

3.5.3 有向无环图分类法(directed acyclic gragh)

3.6 基于SVM多故障识别分类器的设计

3.7 本章小结

第4章 SVM参数优化及其训练样本的数据处理

4.1 引言

4.2 基于信息熵作为SVM训练样本的数据归一化

4.2.1 样本归一化的概念

4.2.2 熵带数据的归一化

4.3 SVM训练样本的主元特征提取

4.3.1 核主元特征提取的概念

4.3.2 基于核主元方法对熵带样本的分析

4.4 基于遗传算法优化的SVM

4.4.1 遗传算法的概念

4.4.2 遗传算法的实现技术

4.4.3 GA-SVM的算法流程

4.4.4 基于熵带法和GA-SVM的转子故障诊断

4.5 基于粒子蚁群算法优化的SVM

4.5.1 粒子蚁群算法的概念

4.5.2 粒子蚁群算法的参数设置

4.5.3 基于熵带法和PSO优化SVM的转子故障诊断

4.6 GA算法和PSO算法的比较

4.7 本章小结

第5章 转子故障诊断系统的设计和实现

5.1 引言

5.2 转子故障特征向量计算

5.3 转子故障的SVM分类器设计

5.4 基于熵带法和SVM的转子故障诊断的实验结果

5.5 基于MATLAB GUI的转子故障诊断系统的实现

5.5.1 MATLAB GUI简介

5.5.2 MATLAB GUI的设计原则和流程

5.5.3 基于MATLAB GUI的转子故障诊断系统的功能

5.5.4 基于MATLAB GUI的转子故障诊断系统的实现

5.6 本章小结

结论与展望

主要结论

研究展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录