基于支持向量回归技术的大型复杂机电设备故障诊断研究与应用

摘要

机械设备的大型化与复杂化是现代工业发展的一个重要特征，为了确保设备安全、可靠、健康地运行，发展大型复杂机电系统的状态监测与故障诊断技术具有重要意义。在故障诊断中能否正确分析信号，获得有效的故障特征是对可能发生的故障进行分析、识别和预防的前提，因此信号处理技术直接影响故障诊断的效果。故障模型为诊断提供基本依据，基于模型的故障诊断鲁棒性强，适应性广，使用准确的模型可得到高可信度的故障诊断结论。 大型复杂机电设备故障具有随机性、多种物理效应耦合和多重故障并发的特点，反映在动态信号上具有非平稳性和非线性特性，研究非稳态、非线性信号处理和特征提取是大型复杂机电设备故障诊断中的重要技术。Hilbert-Huang时频分析技术适合于分析非线性、非平稳信号，正在成为大型复杂机电系统故障信号特征提取的重要研究方向和热点。然而HHT变换中存在的端点效应是关系到HHT时频分析精度和效果的重要问题，特别在实时故障诊断中，只有短数据长度时问题尤为突出。国内外在这方面进行了大量的研究，但尚存在以下缺点：基于波形预测的HHT端点效应消除法尽管运算简单，但是不能完全消除端点效应；使用HHT时频分析的本意是要对非稳态、非线性的信号进行处理，采用基于平稳假设的AR、ARMA等时间序列预测难以取得较好的效果；神经网络因为过学习和推广能力差等问题限制了其在解决HHT端点效应中的应用效果。 近年来，从统计学习理论发展出来的支持向量回归预测技术，它对非线性、非稳态甚至混沌时间序列都有较高的预测精度和极佳的泛化推广能力，优于以神经网络为代表的基于经验风险最小化的时间序列预测统计方法。因此作者提出了基于支持向量回归预测技术消除HHT端点效应的新思路。鉴于标准支持向量回归算法的训练速度慢的缺点，提出了采用最小二乘支持向量回归技术进行时间序列预测的技术路线，通过常规信号、短信号、和实际振动信号的仿真，证明了采用本方法可以有效地消除端点效应，为复杂机电系统基于HHT时频分析技术进行可靠的特征提取提供了技术支撑。另外作者对HHT变换的采样率进行了研究，得出了具有工程应用指导意义的定量结论。 作者将上述研究成果应用于某大型轧机异常振动的故障诊断，针对轧机在咬钢瞬间发生异常振动的特点，采用了HHT时频分析方法进行了瞬态信号分析，由于HHT时频分析具有较高的时域和频域分析精度，得到了振动异常和正常状况下的信号特征的差异，为工程问题的解决提供了依据。 基于模型的大型复杂机电设备故障诊断的效果依赖于所建立模型的准确性和精度，只有具备能真实反映大型复杂机电设备动力学行为的模型才可能实现准确有效的诊断。理论建模必须对大型复杂设备各部分及其相互作用进行简化，这种简化理论模型与实际设备运行特性的差异往往降低复杂机电设备故障诊断结果的可信度，因此基于输入输出数据的系统辨识在大型复杂机电设备故障建模方面发挥着越来越重要的作用。然而，目前许多系统辨识理论和算法在实际应用中均有一定的缺陷，从而影响辨识效果。如最小二乘法、神经网络法等都是以经典统计学为基础，这些方法只有当训练样本数目趋于无穷大时其性能才能达到理论上的最优，这就导致传统辨识方法在解决小样本问题时差强人意。现实系统的本质非线性特性也导致了传统线性系统辨识方法的局限性，以神经网络为代表的非线性建模方法存在模型泛化能力低、大量典型样本获取困难等缺点。 以统计学习理论为基础的支持向量回归技术较好地解决了小样本、非线性、高维数、局部极小和泛化(推广)能力等实际问题，为大型复杂诊断系统的故障建模提供了有力的理论与技术支撑。作者提出了利用支持向量回归技术进行大型复杂机电设备故障建模的新思路。在对统计学习理论的核心内容和思想做了简要回顾的基础上，对基于统计学习理论的支持向量回归算法进行了介绍，指出了支持向量回归同系统辨识的关系，给出了基于支持向量回归的系统辨识的算法和线性系统辨识参数的计算公式。通过计算机仿真，验证了该方法在信号存在野点与噪声时的辨识效果，证明了基于支持向量回归的系统辨识方法是一种有效的建模方法，为大型复杂机电设备的故障诊断开辟了一条新的建模思路。 作者应用上述研究成果，结合工程动力学方法，研究轧机故障造成的自激振动现象。针对实际运行过程中有限的故障样本，采用了基于支持向量回归的系统辨识方法进行建模。通过同传统最小二乘辨识法进行比较，基于支持向量回归辨识获得的模型泛化能力明显高于传统最小二乘法辨识的模型。从而采用基于支持向量回归的系统辨识模型作为热连轧机液压压下系统故障诊断的模型来使用。通过对正常轧制过程和异常振动轧制模型结构比较，发现了异常振动状态下纯延时环节的延时增大，通过系统的稳定性分析，证实了系统的不稳定正是由于系统的纯延时过大造成的，从而导致轧机的自激振动。通过对控制通道各个环节的研究，即通过传感器外壳支撑座和连接杆的信号和工作振型分析，提出了传感器外壳相对于连接杆的不合理振动位移是产生异常振动原因的结论。采用理论分析、有限元计算和辨识建模相结合的方式建立了热连轧机压下系统的故障模型，仿真结果表明传感器连接杆和传感器外壳不合理的相对运动耦合是造成热连轧机异常振动的结论是正确的。根据以上研究结果，进行了传感器外壳结构的动力学修改，修改后，消除了异常振动，解决了该热连轧机的自激振动，保证了产品质量、消除了潜在的设备和人身等事故隐患，为该企业带来良好的经济和社会效益。基于支持向量回归的系统辨识建模方法通过了对实际大型轧机的建模、故障诊断和排除的检验，证明该算法是一种极有前途的故障建模方法，在大型复杂机电设备故障诊断中有广阔的应用前景。 在本论文研究中，由于采用支持向量回归的线性系统辨识建模就实现了故障的诊断、定位与排除，然而由于大型复杂机电设备自身的复杂性，基于支持向量回归的非线性系统辨识建模将具有更一般的意义。本论文只是对非线性系统进行了计算机仿真，尚没有在实际应用中得到检验。此外，非线性系统辨识结果同故障的映射关系尚需进一步的研究，针对振动故障信号的支持向量回归建模的参数选择也需进一步的研究。

目录

文摘

英文文摘

第一章 绪论

1.1大型复杂机电设备故障诊断的研究背景与意义

1.1.1研究背景

1.1.2大型复杂机电系统故障诊断的意义

1.2大型复杂机电系统故障诊断中特征提取及故障建模研究综述

1.2.1故障诊断技术发展的特点

1.2.2统计学习理论与支持向量回归[44,47,82]

1.2.3基于Hilbert-Huang变换的大型复杂机电设备故障特征提取方法综述

1.2.4大型复杂机电设备故障建模的理论与方法综述

1.3本文的主要研究内容

第二章基于支持向量回归的系统辨识建模与仿真研究

2.1引言

2.2、统计学习理论回顾[44]

2.2.1、机器学习问题的本质表示

2.2.2经验风险最小化归纳原则

2.2.3不适定问题的理论

2.2.4 VC维

2.2.5推广性的界理论

2.2.6结构风险最小化原则

2.2.7支持向量机与支持向量回归

2.3支持向量回归与系统辨识

2.3.1支持向量回归[178]

2.3.2系统辨识[58]

2.3.3系统辨识同支持向量回归问题的联系[5]

2.4基于支持向量回归的系统辨识仿真研究

2.4.1线性系统的辨识

2.4.2非线性系统的辨识

2.5本章小结

第三章基于支持向量回归的HHT端点效应消除研究

3.1概述

3.2Hilbert-Huang变换原理、算法简述[34]

3.2.1 EMD原理与算法

3.2.2希尔伯特变换(HHT)原理和算法

3.3端点效应的成因及各种处理方法

3.3.1基于波形预测的端点效应消除法[36]

3.3.2基于时间序列预测技术的端点效应消除法

3.4最小二乘支持向量回归预测算法[6]

3.5基于支持向量回归预测的HHT变换的仿真和实际信号验证

3.6 HHT中的采样频率的研究

3.7本章小结

第四章轧机异常振动稳态和非稳态信号处理研究

4.1引言

4.2轧机振动稳态信号处理与分析

4.2.1轧机振动测试方案设计

4.2.2稳态信号测试分析

4.3轧机振动非稳态信号处理和分析

4.3.1长数据HHT信号处理结果

4.3.2短数据改进HHT信号处理

4.4本章小结

第五章轧机小样本故障建模、稳定性与工作振型分析

5.1引言

5.2闭环系统可辨识性的研究

5.3最小二乘法系统辨识

5.3.1最小二乘法系统辨识原理[58]

5.3.2最小二乘法系统辨识的步骤

5.3.3热连轧机最小二乘法系统辨识的结果

5.4基于支持向量回归的轧机系统辨识

5.4.1轧机系统辨识

5.4.2模型检验及模型泛化能力比较

5.5热连轧机液压压下系统稳定性分析

5.6传感器外壳和传感器连接杆研究

5.6.1传感器连接杆和传感器壳的信号分析

5.6.2传感器连接杆和传感器壳的工作振型分析

5.7本章小结

第六章、轧机液压压下系统故障模型仿真和故障排除

6.1引言

6.2轧机液压压下系统的故障模型

6.3故障模型计算机仿真

6.4传感器外壳动力学建模

6.4.1传感器外壳实验模态分析

6.4.2基于实验模态分析模型的有限元模型修正

6.5基于修正有限元模型的动力学修改及效果检验

6.5.1传感器外壳动力学修改及模态分析

6.5.2传感器壳动力学修改的检验

6.5.3动力学修改后的现场检验

6.6本章小结

第七章主要结论及展望

7.1主要结论

7.2研究工作主要贡献

7.3进一步工作展望

致 谢

参考文献

作者在攻读博士学位期间发表的论文目录

作者在攻读博士期间科研情况

独创性说明