基于SVM的气阀故障诊断研究

发布时间：2017-10-26 01:29

  本文关键词：基于SVM的气阀故障诊断研究

  更多相关文章： 气阀 故障诊断 经验模态分解 支持向量机 特征选择

【摘要】：气阀是往复式压缩机最为关键的设备之一,同时由于它在工作中频繁地受到振动与冲击,使其故障率远高于其他部件,因此对气阀开展故障诊断研究意义重大。气阀的工作环境极其恶劣,并且故障形式多样,大大增加了故障诊断的难度。传统的故障诊断方法显然已经无法满足企业对气阀故障诊断的精度要求,基于人工智能的故障诊断方法将是未来的趋势。本文针对气阀原始信号故障信息不明显和噪声干扰严重的问题,采用经验模态分解(EMD)方法将原始信号分解为多个平稳的本征模态函数(IMF),通过分析IMF分量在信号复杂程度上的变化,采用样本熵特征描述这一故障信息,然后再对IMF作Hilbert变换,通过Hilbert谱分析振动能量的变化,提出用能量特征表征该故障信息。由于气阀故障数据有限,所以本文采用在小样本的分类识别问题上具有良好表现的支持向量机(SVM)作为分类器。IMF的样本熵和能量作为SVM的输入项,再通过比较交叉验证、遗传算法和粒子群优化算法的参数优化能力,选择结果较优的交叉验证作为本文在训练SVM分类器的参数选择方法。本文末尾采用特征选择方法剔除干扰特征和冗余特征来提高SVM的分类正确率,首先分别利用ReliefF权值和SVM的交叉验证正确率衡量特征的性能,再通过Pearson相关系数消除特征之间的冗余,然后按照序列向后选择方法(SBS)搜索最优特子集,最终在验证测试样本的分类正确率上取得了不错的效果。与此同时,针对SVM的交叉验证正确率在评估特征性能时的不足,提出一种改进的特征评估指标,并用该指标构建敏感特征子集和补充特征子集,最后通过测试样本验证改进指标的有效性。
【关键词】：气阀 故障诊断 经验模态分解 支持向量机 特征选择
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH45
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-17
• 1.1 研究工作的背景与意义10-11
• 1.2 设备故障诊断技术发展趋势11
• 1.3 往复式压缩机故障诊断技术研究现状11-13
• 1.4 往复式压缩机的常见故障和故障诊断方法13-15
• 1.4.1 往复式压缩机的常见故障13
• 1.4.2 往复式压缩机的故障诊断方法13-15
• 1.5 本论文的结构安排15-17
• 第二章 支持向量机理论研究17-26
• 2.1 统计学习理论17-21
• 2.1.1 机器学习问题17-18
• 2.1.2 VC维18-19
• 2.1.3 结构风险最小化原则19-21
• 2.2 支持向量机理论21-24
• 2.2.1 最优分类超平面21-23
• 2.2.2 核函数23-24
• 2.3 支持向量机的多分类方法24-25
• 2.3.1 一对多方法24-25
• 2.3.2 一对一方法25
• 2.4 本章小结25-26
• 第三章 往复式压缩机气阀振动信号分析26-39
• 3.1 气阀故障数据26-27
• 3.2 EMD方法27-29
• 3.2.1 本征模态函数27
• 3.2.2 EMD理论27-29
• 3.3 EMD的端点效应29-35
• 3.3.1 端点效应的概念29-30
• 3.3.2 抑制EMD端点效应的方法30-32
• 3.3.3 镜像闭合延拓方法的应用32-35
• 3.4 Hilbert变换35-36
• 3.5 气阀故障信号的Hilbert谱分析36-38
• 3.6 本章小结38-39
• 第四章 支持向量机在气阀故障诊断中的应用39-51
• 4.1 基于能量的特征提取39-42
• 4.1.1 提取步骤39-40
• 4.1.2 实例验证40-42
• 4.2 基于样本熵的特征提取42-45
• 4.2.1 提取步骤42-43
• 4.2.2 实例验证43-45
• 4.3 基于SVM的气阀故障识别45-50
• 4.3.1 基于交叉验证的参数优化45-47
• 4.3.2 基于遗传算法的参数优化47-48
• 4.3.3 基于粒子群优化算法的参数优化48-50
• 4.3.4 结果比较50
• 4.4 本章小结50-51
• 第五章 基于支持向量机的特征选择在气阀故障诊断中的应用51-71
• 5.1 特征选择的框架51-56
• 5.1.1 子集生成52-53
• 5.1.2 子集评价53-56
• 5.1.3 停止条件56
• 5.1.4 结果验证56
• 5.2 基于ReliefF-SBS的特征选择方法56-62
• 5.2.1 ReliefF算法56-57
• 5.2.2 特征选择流程57-58
• 5.2.3 实例验证58-62
• 5.3 基于SVM-SBS的特征选择方法62-65
• 5.3.1 方法介绍62-63
• 5.3.2 实例验证63-65
• 5.4 改进的基于SVM-SBS的特征选择方法65-70
• 5.4.1 改进措施65-66
• 5.4.2 实例验证66-70
• 5.5 本章小结70-71
• 第六章 总结与展望71-73
• 6.1 全文总结71
• 6.2 后续工作展望71-73
• 致谢73-74
• 参考文献74-77

【相似文献】

中国期刊全文数据库 前10条

1 徐高欢;;SVM在教师教学质量评价中的应用[J];浙江水利水电专科学校学报;2007年01期

2 王蒙;傅行军;;基于参数优化SVM的旋转机械故障诊断[J];江苏电机工程;2008年01期

3 孙颖;刘玉满;龚稳;;基于SVM的多传感器信息融合[J];长春工业大学学报(自然科学版);2013年03期

4 彭磊;高峰;任立华;黄真辉;;基于SVM的混沌时间序列预测模型应用研究[J];工程勘察;2013年09期

5 刘海松;吴杰长;陈国钧;;克隆选择优化的SVM模拟电路故障诊断方法[J];电子测量与仪器学报;2010年12期

6 刘永斌;何清波;张平;孔凡让;;基于SVM的旋转机械故障诊断方法[J];计算机工程;2012年05期

7 曹鹏;李博;刘鑫;赵大哲;;基于代价敏感SVM优化组合算法的微钙化簇识别[J];东北大学学报(自然科学版);2013年08期

8 郭有贵;曾萍;朱建林;;交-交矩阵变换器SVM的新颖调制模式(英文)[J];系统仿真学报;2009年22期

9 宋国明;王厚军;姜书艳;刘红;;一种聚类分层决策的SVM模拟电路故障诊断方法[J];仪器仪表学报;2010年05期

10 宋国明;王厚军;刘红;姜书艳;;基于提升小波变换和SVM的模拟电路故障诊断[J];电子测量与仪器学报;2010年01期

中国重要会议论文全文数据库 前10条

1 滕卫平;胡波;滕舟;钟元;;SVM回归法在西太平洋热带气旋路径预报中的应用研究[A];S1 灾害天气研究与预报[C];2012年

2 王红军;徐小力;付瑶;;基于SVM的旋转机械故障诊断知识获取[A];第八届全国设备与维修工程学术会议、第十三届全国设备监测与诊断学术会议论文集[C];2008年

3 陈兆基;杨宏晖;杜方键;;用于水下目标识别的选择性SVM集成算法[A];中国声学学会水声学分会2011年全国水声学学术会议论文集[C];2011年

4 程丽丽;张健沛;杨静;马骏;;一种改进的层次SVM多类分类方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

5 左南;李涓子;唐杰;;基于SVM的肖像照片抽取[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

6 宁伟;苗雪雷;胡永华;季铎;张桂平;蔡东风;;基于SVM的无参考译文的译文质量评测[A];机器翻译研究进展——第四届全国机器翻译研讨会论文集[C];2008年

7 刘旭;罗鹏飞;李纲;;基于拟合角特征及SVM的雷达辐射源个体识别[A];全国第五届信号和智能信息处理与应用学术会议专刊(第一册)[C];2011年

8 罗浩;谢军龙;胡云鹏;;地源热泵空调系统故障诊断中SVM的应用[A];全国暖通空调制冷2008年学术年会资料集[C];2008年

9 刘闪电;王建东;;权重部分更新的大规模线性SVM求解器[A];2009年研究生学术交流会通信与信息技术论文集[C];2009年

10 王舰;汤光明;;基于SVM的图像隐写检测分析[A];第八届全国信息隐藏与多媒体安全学术大会湖南省计算机学会第十一届学术年会论文集[C];2009年

中国博士学位论文全文数据库 前1条

1 陈志茹;基于SVM集成学习的miRNA靶基因预测研究[D];燕山大学;2015年

中国硕士学位论文全文数据库 前10条

1 杨刘;基于PCA与SVM的地力评价研究[D];中南林业科技大学;2015年

2 伍岳;基于SVM的文本分类应用研究[D];电子科技大学;2014年

3 高传嵩;基于SVM文本分类的问答系统的设计与实现[D];南京大学;2014年

4 冯天娇;基于肝脏表观模型和优化SVM的肝癌识别方法的研究与实现[D];东北大学;2013年

5 姚磊;基于SVM主动学习的音乐分类[D];南京邮电大学;2015年

6 毛晓东;基于多层SVM的面筋强度分类模型优化研究[D];黑龙江大学;2014年

7 马琰;一种基于SVM和多源数据的金丝猴生境评价研究[D];中国林业科学研究院;2015年

8 王立达;基于混合核函数的SVM及其应用研究[D];大连海事大学;2016年

9 李同同;基于SVM安瓿药液杂质检测与识别算法的研究[D];广东工业大学;2016年

10 林志杰;基于二叉平衡决策树的SVM多分类算法的改进[D];福州大学;2014年

，

本文编号：1096415