基于EMD与支持向量机的转子故障诊断方法研究

摘要

转子系统的诊断过程包括诊断信息的获取、故障特征信息提取和状态识别三部分。其中，故障特征提取和状态识别是诊断的关键。本文将时频分析的新方法经验模态分解(EmpiricalModeDecomposition，简称EMD)和模式识别的新技术-支持向量机(SupportVectorMachine，简称SVM)应用于转子系统的故障诊断中。 EMD方法是近年来提出的信号处理方法，经验证在很多方面的应用效果都要优于其它的信号处理方法；支持向量机有比神经网络更好的泛化能力，且能保证找到的极值点就是全局最优解，同时它还较好地解决了小样本问题。本文对EMD方法和支持向量机在转子系统故障诊断中的应用进行了一些研究。主要研究工作如下：定义基于EMD的奇异值熵对转子系统进行状态监测和故障诊断，并对采样率对奇异值熵的影响做了进一步的研究，结果表明，在不同的工况下，奇异值熵大小有差别，可用于故障特征提取。 提出了基于Hilbert-Huang变换时频熵的转子系统故障诊断方法，Hilbert谱精确地描述了信号的幅值在整个频率段上随频率和时间的变化规律，是信号能量的一种时频分布，基于Hilbert-Huang变换的时频熵是对上述时频分布的定量描述，对转子实验数据的分析结果表明，该方法能够有效地提取转子系统故障振动信号的特征，并能够成功地对转子系统的工作状态和故障类型进行分类。 探讨了支持向量机分类器在转子系统故障诊断中的应用，通过实验数据分析，并与BP神经网络的对比实验，证明了支持向量机分类器在训练时间、小样本情况下的预测推广能力和抗噪声能力方面全面优于BP神经网络，适合用于故障诊断。 提出了基于支持向量机回归预测模型的转子系统诊断方法，该方法不必进行信号预处理以提取特征量，便能实现多故障的识别与诊断。因此它具有算法简单，故障分类能力强等优点。通过实验数据分析，并与BP神经网络的对比实验，说明了该方法的有效性。

目录

文摘

英文文摘

湖南大学学位论文原创性声明和版权使用授权书

第1章绪论

1.1转子系统故障诊断的意义和目的

1.2转子系统诊断技术的发展概况

1.2.1故障机理研究

1.2.2故障特征提取分析

1.2.3故障的识别

1.3本文主要研究内容与各章节安排

第2章转子系统的故障机理及其诊断技术

2.1概述

2.2转子系统的故障机理

2.2.1转子不平衡故障机理

2.2.2转子不对中故障机理

2.2.3转子与静止件摩擦的故障机理

2.2.4转子油膜涡动与油膜振荡故障机理

2.3转子系统的故障诊断方法

2.3.1转子系统故障的幅域诊断方法

2.3.2转子系统故障的时域诊断方法

2.3.3转子系统故障的频域诊断方法

2.3.4转子系统故障的时间序列诊断方法

2.4本章小结

第3章支持向量机理论

3.1引言

3.2统计学习理论

3.2.1学习问题的表示

3.2.2 VC维

3.2.3结构风险最小化归纳原则

3.3最优分类面

3.4支持向量机

3.5函数估计方法

3.6多元分类

3.6.1“一对多”方法

3.6.2“一对一”方法

3.6.3一次性求解方法

3.7本章小结

第4章基于EMD的时频分析在转子故障诊断中的应用

4.1概述

4.2 EMD理论与Hilbert变换

4.3基于EMD的奇异值熵在转子故障方法中的应用

4.3.1基于EMD的奇异值熵

4.3.2转子故障实验方案

4.3.3实例分析

4.4基于HHT的时频熵在转子故障诊断中的应用

4.4.1基于Hilbert-Huang变换的时频熵的定义

4.4.2基于HHT的时频熵的性质

4.4.3实例分析

4.5本章小结

第5章基于EMD和支持向量机的转子故障诊断方法

5.1概述

5.2 AR模型建模技术

5.2.1 AR模型的结构

5.2.2 AR模型定阶

5.2.3对振动信号进行AR建模

5.3基于EMD和SVM的转子故障诊断方法

5.4实例分析

5.5本章小结

第6章支持向量机预测器在转子故障诊断中的应用

6.1概述

6.2基于SVM的回归预测模型

6.3基于SVM回归预测模型的转子故障诊断方法

6.4实例分析

6.5本章小结

结论及展望

参考文献

致谢

攻读硕士学位期间发表的论文