基于支持向量机和模糊神经网络的旋转机械故障诊断

发布时间：2017-04-24 22:12

  本文关键词：基于支持向量机和模糊神经网络的旋转机械故障诊断，由笔耕文化传播整理发布。

【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。
【关键词】：旋转机械 故障诊断 二叉树 SVM算法 神经网络 特征值
【学位授予单位】：重庆理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-13
• 1.1 旋转机械故障诊断研究的意义和目的9
• 1.1.1 旋转机械故障诊断研究的意义9
• 1.1.2 旋转机械故障诊断研究的目的9
• 1.2 国内外机械故障诊断技术的研究现状及发展趋势9-11
• 1.2.1 机械故障诊断技术的国内外研究现状9-10
• 1.2.2 机械故障诊断技术的发展趋势10-11
• 1.3 基于支持向量机的故障诊断的国内外研究现状11
• 1.3.1 国外研究现状11
• 1.3.2 国内研究现状11
• 1.4 本文研究的主要内容11-13
• 第二章 旋转机械故障诊断实验系统及实验设计13-25
• 2.1 旋转机械故障实验平台13-17
• 2.2 数据采集系统17-21
• 2.3 实验设计21-23
• 2.4 本章小结23-25
• 第三章 特征值的提取25-45
• 3.1 振动信号的处理25-29
• 3.1.1 信号处理的目的25
• 3.1.2 现代信号的处理方法25-29
• 3.1.3 本文使用的处理方法29
• 3.2 故障诊断中常用的特征值29-32
• 3.2.1 时域有量纲特征值29-30
• 3.2.2 时域无量纲特征值30-31
• 3.2.3 频域有量纲特征值31
• 3.2.4 频域无量纲特征值31-32
• 3.3 相关性分析及特征值的分布情况32-43
• 3.3.1 频域信号的相关性分析32-39
• 3.3.2 特征值的正态分布情况39-43
• 3.4 本章小结43-45
• 第四章 支持向量机的旋转机械故障诊断45-65
• 4.1 引言45
• 4.2 支持向量机的基本理论45-51
• 4.2.1 支持向量机的基本思想45-46
• 4.2.2 支持向量机的理论基础46-51
• 4.3 支持向量机中的几种核函数51-52
• 4.4 支持向量机的多类分类算法52-54
• 4.4.1 一对一分类算法52
• 4.4.2 一对多分类算法52-53
• 4.4.3 DAG-SVM 分类算法53
• 4.4.4 二叉树支持向量机（H-SVM）多类分类算法53-54
• 4.5 旋转机械故障诊断的多类分类支持向量机的实现54-62
• 4.5.1 基于一对多分类算法的二叉树优先级确定54-55
• 4.5.2 二叉树多类分类算法55-56
• 4.5.3 应用研究56-62
• 4.6 本章小结62-65
• 第五章 模糊神经网络的旋转机械故障诊断65-81
• 5.1 神经网络的基本理论65-71
• 5.1.1 人工神经元模型65-67
• 5.1.2 人工神经网络模型67-68
• 5.1.3 人工神经网络的学习机理68-71
• 5.2 模糊理论的基本理论71-74
• 5.2.1 模糊子集的定义和表示71
• 5.2.2 模糊子集的运算71-72
• 5.2.3 隶属函数的确定方法72-74
• 5.3 模糊系统和神经网络的结合74
• 5.4 模糊神经网络故障诊断模型74-77
• 5.4.1. 故障诊断模型结构74-76
• 5.4.2. 模糊神经网络模型76-77
• 5.4.3. 逐次诊断的步骤77
• 5.5 诊断结果分析77-78
• 5.6 本章小结78-81
• 第六章 总结与展望81-83
• 致谢83-85
• 参考文献85-89
• 附录89

【参考文献】

中国期刊全文数据库 前10条

1 吕晓丽;李雷;曹未丰;;基于二叉树的SVM多类分类算法[J];信息技术;2008年04期

2 周浩;袁志勇;;基于短时傅里叶变换的鱼雷自导信号参数实时估计及应用[J];武汉理工大学学报(交通科学与工程版);2009年06期

3 唐先广;郭瑜;丁彦春;郑华文;;基于短时傅里叶变换和独立分量分析的滚动轴承包络分析[J];机械强度;2012年01期

4 张弦;王宏力;;进化小波消噪方法及其在滚动轴承故障诊断中的应用[J];机械工程学报;2010年15期

5 温家鹏;;基于小波变换的地铁振动信号特征分析[J];山西建筑;2012年20期

6 马笑潇,黄席樾,柴毅;基于SVM的二叉树多类分类算法及其在故障诊断中的应用[J];控制与决策;2003年03期

7 李悦;黄晋英;杨晓霞;;基于盲源分离的齿轮箱故障诊断[J];煤矿机械;2012年03期

8 苏立;南海鹏;余向阳;吴罗长;王瑾;;基于集合经验模态分解与Wigner-Ville分布的水轮机振动特征信号的分析研究[J];水力发电学报;2012年02期

9 刘文彬;郭瑜;郑华文;;基于短时傅里叶变换的油膜振荡故障识别[J];中国测试技术;2008年02期

10 赵安邦;沈广楠;陈阳;周彬;李桂娟;;HHT与神经网络在舰船目标特征提取中的应用[J];声学技术;2012年03期

  本文关键词：基于支持向量机和模糊神经网络的旋转机械故障诊断，由笔耕文化传播整理发布。

本文编号：325067