基于小波包和支持向量机的旋转机械故障诊断方法研究

摘要

旋转机械是工业部门中应用最为广泛的一类机械设备,大型旋转机械故障诊断的研究对于避免巨额的经济损失和灾难事故的发生有着重要的意义。本文以支持向量机为理论基础,结合江西省自然科学基金项目“基于支持向量机设备故障智能诊断方法中若干关键问题研究(0650054)”对智能故障诊断方法进行了研究。以旋转机械为研究对象,研究了支持向量机理论和算法,以及基于支持向量机的旋转机械故障模式分类方法,并通过仿真进行验证;设计了旋转机械振动数据采集系统,在Matlab平台上构建了基于支持向量机的旋转机械故障模式分类原型系统进行了实例分析。论文的主要研究内容如下:
　　1、论述了课题研究的背景和意义,综述了支持向量机的理论研究和应用发展,以及应用于机械故障诊断领域的可行性、优势及存在的不足,最后给出了本文的主要研究内容。
　　2、介绍和分析了机器学习、统计学习理论的主要内容和支持向量机算法的基本思想,并将支持向量机引入机械故障诊断领域,给出了支持向量机应用于机械故障诊断的基本步骤和方法。
　　3、针对标准支持向量机不能直接用于解决故障诊断这种典型多值分类问题的不足,论文提出了采用决策有向无环图的多值分类算法,建立了多故障分类器模型和算法。
　　4、故障分类器的分类性能与支持向量机核函数参数有很大的关系,本文研究了以Fisher判别准则为目标函数的核函数参数优化原理,提出了基于Fisher判别准则和改进遗传算法相结合的核函数的参数优化方法。该方法采用改进遗传算法对核参数进行优化,从而找出核参数的全局最优点,提高分类器的分类性能。
　　5、以Bently转子试验台为对象,设计了转子试验台振动数据采集系统,并模拟了旋转机械一些典型故障,为旋转机械故障特征提取提供准确的诊断数据。然后论文以模拟故障数据为诊断对象,研究了运用小波包分解提取故障特征的方法,结合Matlab平台的优势,构建了基于小波包分解和支持向量机的旋转机械故障模式分类原型系统,并进行实例分析与验证。
　　6、总结了全文,并对进一步的研究工作进行了展望。

目录

封面

中文摘要

英文摘要

目录

缩写与符号

第一章 绪 论

1.1 课题研究背景和意义

1.2 国内外研究现状

1.3 论文主要内容和结构安排

1.4 本章小结

第二章 支持向量机学习算法

2.1 引言

2.2 机器学习的理论基础

2.3 统计学习理论

2.4 支持向量机原理

2.5 基于支持向量机故障诊断基本步骤

2.6 本章小结

第三章 多故障分类器研究

3.1 引言

3.2 多故障分类器算法

第四章 故障分类器核函数的参数优化研究

4.1 引言

4.2 核函数的参数优化方法

4.3 仿真实验与结果分析

4.4 本章小结

第五章 实验研究与分析

5.1 引言

5.2 实验设计

5.3 振动信号小波包分解故障特征的提取

5.4 实例分析

5.5 本章小结

第六章 总结与展望

6.1 论文总结

6.2 研究展望

参考文献

致谢

个人简历、在学期间发表的学术论文与研究成果

声明