基于改進(jìn)支持向量機(jī)和紋理圖像分析的旋轉(zhuǎn)機(jī)械故障診斷.pdf

1、隨著機(jī)械設(shè)備不斷向高速化、重載化和復(fù)雜化方向發(fā)展，人們對(duì)其運(yùn)行可靠性和安全性的要求也越來(lái)越高。采用有效的模式識(shí)別方法實(shí)現(xiàn)機(jī)械設(shè)備的高精度智能故障診斷，對(duì)保障設(shè)備的高效運(yùn)行和安全生產(chǎn)具有重要意義。本文以軸承和刀具為對(duì)象，圍繞故障分類識(shí)別和故障特征提取這兩個(gè)核心問題，重點(diǎn)研究基于改進(jìn)支持向量機(jī)的故障分類方法和基于紋理分析的故障特征提取方法及其在工程實(shí)際中的應(yīng)用。本文研究?jī)?nèi)容和成果主要體現(xiàn)在以下幾方面：
　　 1)基于支持向量機(jī)的智能

2、故障診斷方法是目前研究的熱點(diǎn)。為克服模型參數(shù)選擇隨意性對(duì)支持向量機(jī)分類性能的不利影響，提出了基于人工蜂群算法優(yōu)化的支持向量機(jī)故障分類方法，并將其應(yīng)用于滾動(dòng)軸承的智能故障診斷。該方法以分類錯(cuò)誤率的倒數(shù)作為適應(yīng)度函數(shù)，利用人工蜂群算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化選擇。通過(guò)UCI標(biāo)準(zhǔn)數(shù)據(jù)集驗(yàn)證，證明本文提出的方法兼顧了對(duì)局部最優(yōu)解和全局最優(yōu)解的搜索，克服了傳統(tǒng)優(yōu)化方法易陷入局部最優(yōu)解的缺陷，獲得了更高的識(shí)別正確率，并且在小數(shù)目分類問題上有效地降低

3、了搜索最優(yōu)參數(shù)所需的時(shí)間。將該方法應(yīng)用于實(shí)測(cè)軸承故障數(shù)據(jù)實(shí)驗(yàn)，獲得了較高的故障識(shí)別正確率。
　　 2)刀具磨損狀態(tài)的自動(dòng)識(shí)別是一種小樣本條件下的模式識(shí)別問題，在特定的加工條件下只能獲取非常有限的訓(xùn)練樣本。針對(duì)這一問題，提出一種基于改進(jìn)超球面支持向量機(jī)的故障分類方法，并將其應(yīng)用于刀具磨損狀態(tài)的自動(dòng)識(shí)別。該方法提取切削力與振動(dòng)信號(hào)中的多項(xiàng)特征，對(duì)各項(xiàng)特征分別進(jìn)行刀具磨損量相關(guān)性分析，選擇與刀具磨損變化量最相關(guān)的均值、均方根、小波系數(shù)

4、能量以及小波系數(shù)近似熵組成特征向量。在分類器方面，考慮到各類樣本的疏松程度不同，利用引力法對(duì)超球面支持向量機(jī)的決策函數(shù)進(jìn)行改進(jìn)，經(jīng)過(guò)優(yōu)化分析得到最佳分類引力公式。采用改進(jìn)的超球面支持向量機(jī)作為分類器，實(shí)現(xiàn)了刀具磨損狀態(tài)的自動(dòng)識(shí)別。實(shí)驗(yàn)證明，在小樣本學(xué)習(xí)情況下，基于改進(jìn)超球面支持向量機(jī)的刀具磨損狀態(tài)識(shí)別方法具有良好的學(xué)習(xí)和泛化能力，可獲得較高的識(shí)別正確率。
　　 3)作為故障信息多維特征提取方法的基礎(chǔ)，首先對(duì)基于支持向量機(jī)的紋理分

5、析方法進(jìn)行研究。針對(duì)紋理圖像分割中的訓(xùn)練樣本自動(dòng)獲取問題，提出了一種基于模糊C均值算法的支持向量機(jī)半監(jiān)督圖像分割方法。該方法首先采用改進(jìn)的Laws能量測(cè)度法對(duì)原始圖像進(jìn)行特征提取，對(duì)獲取的特征圖像進(jìn)行分塊處理以獲得若干窗口，采用模糊C均值算法對(duì)圖像平滑區(qū)域所在窗口的特征向量進(jìn)行分類并獲取類別標(biāo)記，將特征向量和獲取的類別標(biāo)記作為模糊支持向量機(jī)的訓(xùn)練樣本，從而實(shí)現(xiàn)了訓(xùn)練樣本的自動(dòng)獲取。進(jìn)而利用訓(xùn)練好的模糊支持向量機(jī)對(duì)非平滑區(qū)域進(jìn)行精細(xì)分類。

6、最終將模糊C均值和模糊支持向量機(jī)的分類結(jié)果組合形成最終的分類結(jié)果圖像。采用隨機(jī)選取的Brodatz紋理集中的紋理圖像對(duì)上述算法進(jìn)行測(cè)試，得到了較高的分割正確率，從而驗(yàn)證了本文算法的有效性，并為下一章時(shí)頻分布圖二維故障特征提取算法的研究提供理論基礎(chǔ)。
　　 4)特征提取對(duì)故障診斷的分類結(jié)果具有至關(guān)重要的影響。S變換得到的等高線時(shí)頻圖和Hilbert-Huang變換得到的Hilbert譜時(shí)頻圖包含了豐富的二維圖像信息。在紋理圖像自動(dòng)

7、分割方法的研究基礎(chǔ)上，探討了將圖像處理領(lǐng)域中的紋理分析方法應(yīng)用于一維信號(hào)時(shí)頻分布圖的故障特征提取問題。首先對(duì)灰度化的S變換等高線時(shí)頻圖和Hilbert譜時(shí)頻圖進(jìn)行二維離散小波變換，利用Laws能量測(cè)度法計(jì)算各頻道小波圖像的灰度均方差作為能量特征并組成特征向量，從而建立了有效的從一維原始信號(hào)到二維紋理圖像特征的映射模型。以支持向量機(jī)作為分類器，通過(guò)滾動(dòng)軸承實(shí)測(cè)故障數(shù)據(jù)對(duì)上述方法進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果證明了上述特征提取算法的有效性和可行性。

8、r>　　 5)針對(duì)目前國(guó)內(nèi)高檔數(shù)控機(jī)床對(duì)狀態(tài)監(jiān)測(cè)與故障診斷功能的需求，研究開發(fā)網(wǎng)絡(luò)架構(gòu)下機(jī)床整機(jī)智能監(jiān)測(cè)診斷試驗(yàn)平臺(tái)。重點(diǎn)針對(duì)筆者開發(fā)的強(qiáng)耦合狀態(tài)監(jiān)測(cè)單元信號(hào)采集技術(shù)、遠(yuǎn)程機(jī)床狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)軟件功能以及實(shí)現(xiàn)二者無(wú)縫信息交互的TDNC-Connect傳輸協(xié)議三方面進(jìn)行闡述，構(gòu)建出嵌入支持向量機(jī)智能故障診斷方法的網(wǎng)絡(luò)架構(gòu)下機(jī)床整機(jī)智能監(jiān)測(cè)診斷試驗(yàn)平臺(tái)，一體化地實(shí)現(xiàn)高檔數(shù)控機(jī)床的狀態(tài)可顯示、性能可預(yù)報(bào)、故障可診斷、遠(yuǎn)程可監(jiān)控。最終在