基于支持向量机和模糊神经网络的旋转机械故障诊断

摘要

旋转机械作为工业部门的核心部件，其运行状态直接影响工业部门的生产。如果运行在非正常状态，轻则造成巨大的经济损失，重则造成人员伤亡产生严重的社会影响。故旋转机械的状态监测与故障诊断具有重要的意义。　　论文在利用旋转机械故障实验平台模拟五种典型的机械状态的基础上，建立旋转机械故障诊断的支持向量机和模糊神经网络故障诊断模型，有效的实现了这五种机械状态的诊断。五种机械状态分别为转子正常、转子不平衡、转子不对中、轴承内圈裂缝和轴承外圈裂缝。本文主要的研究内容如下：　　1.在分析现代信号处理方法应用与传统故障诊断思路的基础上，提出了利用频谱幅值较大的频率成分重组信号的方法，并对重组信号提取了31个常用的特征值；同时对五种机械状态的振动加速度信号进行信号重组，对重组信号的频谱进行了相关性分析。相关性分析结果是同类型间的相关系数接近于1，属于强相关性；不同类型间的相关系数较小，属于为弱相关，表明了提取出的信号特征值具有较强的针对性。　　2.针对二叉树支持向量机多类分类算法进行故障识别模型的优先级确定难的问题，提出了一对多支持向量机多类分类算法确定优先级的方法，并建立了二叉树支持向量机故障诊断模型。诊断实验结果较好，表明该方法的有效性且具有良好的工程应用价值。　　3.建立了串联型模糊神经网络的逐次故障诊断模型，实验结果良好，表明了该方法的有效性。并对比二叉树支持向量机故障诊断模型实验结果，进一步说明了二叉树支持向量机对本文五种机械状态故障诊断的工程应用价值。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1旋转机械故障诊断研究的意义和目的

1.2 国内外机械故障诊断技术的研究现状及发展趋势

1.3 基于支持向量机的故障诊断的国内外研究现状

1.4 本文研究的主要内容

第二章 旋转机械故障诊断实验系统及实验设计

2.1 旋转机械故障实验平台

2.2 数据采集系统

2.3 实验设计

2.4 本章小结

第三章 特征值的提取

3.1振动信号的处理

3.2 故障诊断中常用的特征值

3.3 相关性分析及特征值的分布情况

3.4 本章小结

第四章 支持向量机的旋转机械故障诊断

4.1 引言

4.2 支持向量机的基本理论

4.3 支持向量机中的几种核函数

4.4 支持向量机的多类分类算法

4.5 旋转机械故障诊断的多类分类支持向量机的实现

4.6 本章小结

第五章 模糊神经网络的旋转机械故障诊断

5.1 神经网络的基本理论

5.2 模糊理论的基本理论

5.3 模糊系统和神经网络的结合

5.4 模糊神经网络故障诊断模型

5.5 诊断结果分析

5.6 本章小结

第六章 总结与展望

致谢

参考文献

附录