基于小波分析和SVDD的工程机械故障诊断研究

摘要

目前，工程机械行业的服务模式仍是“救火式”的事后维修，如何预测、预警故障，避免突然停机，成为亟待解决的问题。人工智能方法已经成为解决复杂设备故障诊断的主要方法，如专家系统、基于神经网络的方法、基于支持向量机的方法。然而这些方法都存在“适应性”的问题:设备出现新的故障时，已建立的分类器需要重新训练，这样既浪费了时间又没有很好的利用已获得的样本。支持向量数据描述是在支持向量机理论的基础上，发展起来的一种单分类方法，它将目标样本当做一个整体来描述，通过在特征空间建立超球体来描述目标对象。在多分类故障识别中，支持向量数据描述方法对每一种状态样本进行独立的训练，因此可以扩展新的超球体，而不需要重新训练。
　　 工程机械设备运行过程中，信号是反映设备运行状态的信息载体，获得真实、充分反映设备运行情况的状态信号，是诊断设备工作状态的重要条件和前提。然而，工程机械野外作业，采集的信号不免受到各种噪声的污染，而且信号和噪声都是非平稳的。小波分析是一种时频-尺度分析方法，能同时在时域和频域对信号进行观察，非常适合非平稳信号的处理和分析。
　　 本文结合小波分析和支持向量数据描述方法，并将其应用到混凝土泵车的故障识别中。利用模极大值去噪算法对采集的信号进行去噪，并提取信号的小波包能量谱用作特征参数。针对传统多分类方法，无法有效处理新类别样本的难题，提出一种球边界偏移判别准则，有效地识别了未知样本，再通过无监督的聚类学习，使诊断模型得到更新。以混凝土泵车柱塞泵为研究对象，通过对比实验，验证了本文方法的有效性。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 课题来源

1．2 研究背景及意义

1．3 机械故障诊断研究综述

1．3．1 机械故障诊断的研究内容

1．3．2 机械故障诊断的方法

1．4 智能诊断技术国内外研究现状

1．4．1 专家系统诊断技术的研究现状

1．4．2 神经网络诊断技术的研究现状

1．4．3 支持向量机诊断技术的研究现状

1．4．4 支持向量数据描述诊断技术的研究现状

1．5 课题主要研究内容

1．6 论文结构

第2章 小波分析理论及信息处理

2．1 引言

2．2 小波分析基本理论

2．2．1 傅里叶变换与短时傅里叶变换

2．2．2 小波变换及小波包变换

2．3 基于小波变换的信号去噪

2．3．1 小波去噪原理及典型算法

2．3．2 小波变换模极大值去噪算法

2．4 基于小波包的特征信息提取处理

2．5 小结

第3章 统计学习理论及支持向量机

3．1 引言

3．2 机器学习问题概述

3．2．1 机器学习问题描述

3．2．2 机器学习的发展概况

3．3 统计学习理论

3．3．1 学习性能指标

3．3．2 VC维和推广性的界

3．3．3 结构风险最小化

3．4 支持向量机

3．4．1 支持向量机的基本思想

3．4．2 线性支持向量机

3．4．3 核函数技术

3．4．4 非线性支持向量机

3．5 小结

第4章 基于SVDD的动态故障诊断方法

4．1 单分类方法概述

4．2 支持向量数据描述基本理论

4．3 基于支持向量数据描述的多分类问题

4．3．1 基于相对距离判别的多分类方法

4．3．2 惩罚因子和核参数的影响

4．4 基于球边界偏移判别的未知样本识别

4．5 基于空间分布聚类的无监督学习

4．5．1 无监督学习与聚类

4．5．2 常用聚类算法

4．5．3 基于空间分布的聚类学习

4．6 小结

第5章 混凝土泵车液压泵故障诊断实验研究

5．1 实验设备介绍

5．2 液压泵多类故障诊断实验

5．2．1 信号去噪实验及分析

5．2．2 特征信息提取实验

5．2．3 故障诊断实验及结果

5．3 小结

结论

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

附录B 攻读学位期间参加的科研项目