基于支持向量機的轉(zhuǎn)子系統(tǒng)故障診斷方法研究.pdf

1、近年來，關(guān)于設(shè)備狀態(tài)監(jiān)測與故障診斷方面的研究工作得到越來越高的重視，相關(guān)的理論研究也得到迅速發(fā)展。支持向量機在解決基于小樣本情況的分類問題方面表現(xiàn)出良好的性能。它根據(jù)結(jié)構(gòu)風險最小化原則，具有全局最優(yōu)解，根據(jù)有限的樣本信息在模型的復(fù)雜性和學習能之間尋求最佳折衷，以獲得最好的推廣能力并能有效地解決“過學習”問題。
　　 本文結(jié)合轉(zhuǎn)子實驗臺上模擬的常見故障，采用熵帶法對故障振動信號進行特征提取。為了使支持向量機具有更高的分類準確率，運

2、用粒子蟻群算法對支持向量機的參數(shù)進行優(yōu)化。針對故障多分類問題圍繞以上實驗分析和理論算法，本文的主要工作內(nèi)容和研究結(jié)論如下：
　　 1)在轉(zhuǎn)子實驗臺上模擬了四種典型故障，分析了四種故障的機理并對故障信號進行了濾波消澡、頻譜分析、軸心軌跡分析。在此基礎(chǔ)上分析了信號在時域的奇異值譜熵、頻域的功率譜熵、時頻域的小波能譜熵和小波空間譜熵。并計算了四種故障信號的熵帶范圍，討論了常規(guī)的基于信息熵的故障診斷方法。
　　 2)因直接把熵帶

3、作為SVM的訓練樣本和測試樣本存在數(shù)據(jù)冗余問題，故以熵帶數(shù)據(jù)為基礎(chǔ)，對其作為SVM的訓練樣本進行了數(shù)據(jù)預(yù)處理研究。包括樣本歸一化和主元特征提取。后續(xù)的實驗表明，經(jīng)過處理后的熵帶數(shù)據(jù)不僅能夠反映振動信號的特征，而且適合SVM進行模型訓練和故障分類。
　　 3)以構(gòu)造最優(yōu)分類器為目標，系統(tǒng)地研究了PSO算法和GA算法優(yōu)化SVM參數(shù)后對分類準確率的影響。通過把已經(jīng)處理好的數(shù)據(jù)輸入到SVM中，分別應(yīng)用GA和PSO對SVM的核參數(shù)與懲罰因

4、子優(yōu)化并對未知故障類別的樣本測試發(fā)現(xiàn)，GA優(yōu)化后的SVM分類性能較差，且模型訓練時間較長，而PSO優(yōu)化得到的SVM具有良好的分類準確率和較快的訓練時間。
　　 4)由于本研究是多故障分類問題，而SVM是二分類器，故基于一對多的方法設(shè)計了可以分離四種故障的SVM多故障分類器。對各個分類器分別應(yīng)用PSO算法進行參數(shù)尋優(yōu)。并基于以上算法流程開發(fā)了一套基于MATLAB GUI的轉(zhuǎn)子故障診斷系統(tǒng)，子系統(tǒng)一可以實現(xiàn)對振動信號的消澡分析，頻譜