基于支持向量數(shù)據(jù)描述的滾動(dòng)軸承故障診斷方法研究.pdf

1、機(jī)械故障診斷實(shí)質(zhì)上是一個(gè)小樣本的模式識別問題。在實(shí)際工程應(yīng)用中，故障數(shù)據(jù)的缺乏一直是制約智能故障診斷技術(shù)發(fā)展的一個(gè)重要因素，使得傳統(tǒng)的智能診斷技術(shù)諸如神經(jīng)網(wǎng)絡(luò)等往往因訓(xùn)練樣本數(shù)據(jù)的不足而不能取得理想的診斷效果。
　　 支持向量數(shù)據(jù)描述(SVDD)方法是一種在統(tǒng)計(jì)學(xué)理論和傳統(tǒng)的支持向量機(jī)基礎(chǔ)上發(fā)展起來的單值分類方法，它能有效的解決故障樣本數(shù)據(jù)缺乏的問題。SVDD方法的基本思想是：通過在特征空間中尋求一個(gè)最小容積的超球體，使得所有的

2、或者絕大部分的目標(biāo)樣本都被包含在該超球體內(nèi)，而非目標(biāo)樣本盡可能都落在超球體外，從而達(dá)到將目標(biāo)類樣本和非目標(biāo)類樣本分開的目的。SVDD方法只需要一類樣本數(shù)據(jù)即可進(jìn)行分類，這種方法具有計(jì)算速度快、可有效處理小樣本、魯棒性強(qiáng)等優(yōu)點(diǎn)。利用這種方法，僅依靠正常運(yùn)行時(shí)的振動(dòng)信號就可以監(jiān)測機(jī)器的運(yùn)行狀態(tài)，判別機(jī)器是否存在故障。因此，SVDD方法在工程應(yīng)用中具有極高的實(shí)用價(jià)值，有望解決智能故障診斷中因故障數(shù)據(jù)樣本缺乏而不能精準(zhǔn)判定故障的問題。
　

3、　 本文的主要研究內(nèi)容包括：
　　 (1)核函數(shù)在SVDD方法中有著十分重要的作用，本文對核函數(shù)進(jìn)行了研究。通過仿真實(shí)驗(yàn)分析表明，使用高斯核函數(shù)時(shí)，SVDD方法的檢測精度最高。
　　 (2)對LMD方法和EMD方法進(jìn)行了對比研究。通過分析，LMD方法在減少迭代次數(shù)和降低端點(diǎn)效應(yīng)方面要優(yōu)于EMD方法。
　　 (3)提出了一種基于SVDD與LMD奇異值的滾動(dòng)軸承故障診斷方法，在實(shí)際應(yīng)用中，該方法能有效的對滾動(dòng)軸承進(jìn)