基于LMD与SVM融合的传感器故障诊断方法研究

摘要

在自动控制系统中，传感器是必不可少的组成部分。它的工作状况与设备正常运行情况息息相关，如果发生故障必然会给设备安全造成隐患。因为传感器在实际情况里面数目多，放置位置困难;应用条件杂乱，苛刻等一些缘故，导致它在操作过程中难免会出现故障。普通压力传感器很容易被温度变化情况所影响，尤其是低温高压情况里面，其应变材料的电阻率、压阻系数、泊松比和弹性模量等参数均可能改变、这样就引起所测数据和真实输出相背离。其故障信号输出形式主要分为以下几类:冲击、偏差、噪声干扰、周期性干扰、输出恒定值和漂移。
　　针对以上几种突发故障，提出了一种基于自适应LMD（局部均值分解）和支持向量多分类机(SVM)相耦合的模型，即首先利用LMD方法将传感器的输出信号分解成一系列由包络信号和纯调频信号相乘所得的PF(Product function)分量，然后利用支持向量多分类机进行故障识别。通过与小波包变换以及EMD（经验模态分解）算法的Matlab仿真结果相比较，LMD算法的特征向量提取效果优于以上两种。将LMD算法与SVM算法有机地融合在一起对压力传感器故障进行诊断，不仅结合了SVM算法可以较好的解决小样本、非线性、高维数、局部极小值的特点，还结合了LMD算法不受傅里叶变换的限制，根据振动信号自适应地选择频带，优化信号分析过程等优点。有效地实现了对压力传感器7种状态的识别，提高了故障诊断的准确性。

目录

声明

致谢

摘要

1 绪论

1．1 选题背景与意义

1．1．1 选题背景

1．1．2 研究意义

1．2 国内外现状

1．2．1 故障诊断技术的发展

1．2．2 自确认传感器的出现

1．2．3 传感器故障诊断方法的研究现状

1．3 传感器故障原因、诊断技术

1．3．1 故障诊断的研究内容

1．3．2 传感器故障类型及原因

1．3．2 传感器故障诊断方法分类

1．4 本章小结

1．5 全文研究内容

2 局部均值分解算法(LMD)研究

2．1 LMD算法

2．1．1 乘积函数分量(PF分量)

2．1．2 局部均值分解(LMD)算法

2．1．3 LMD算法的特点

2．2 时频分析方法的比较

2．2．1 LMD的时频分析

2．2．2 瞬时频率计算的比较

2．2．3 与EMD时频分析方法的比较

2．3 LMD算法与EMD算法的比较

2．4 本章小结

3 基于支持向量机(SVM)的故障诊断方法研究

3．1 支持向量机(SVM)原理及其算法过程

3．1．1 SVM原理

3．1．2 最优超平面的构造

3．1．3 支持向量机分类问题

3．1．4 核函数

3．2 SVM用于故障诊断的基本步骤

3．3 支持向量多分类机的分类算法

3．3．1 全局多类SVM

3．3．2 组合多类支持向量机

3．4 本章小结

4 基于LMD与SVM算法耦合的传感器故障诊断模型

4．1 引言

4．2 对传感器输出信号的处理以及提取特征向量

4．2．1 输出信号的自适应LMD分解

4．2．2 提取特征向量

4．3 基于SVM的多分类模型

4．3．1 改进粒子群算法

4．3．2 MPSO优化SVM分类器参数

4．3．3 SVM多分类模型

4．4 仿真实例分析

4．5 本章小结

5 总结与展望

5．1 总结

5．2 展望

参考文献

作者简历

学位论文数据集