支持向量数据描述在故障诊断中的应用

发布时间：2020-08-25 10:06

【摘要】：支持向量数据描述(Support vector data description,SVDD)是一种不同于传统模式分类的方法。传统的模式分类方法一般需要利用两类样本(或多类样本),通过两类样本共同确定了决策边界。大多数传统的分类器都对数据的平衡度有或多或少的要求,当其中一类样本数据很少甚至完全没有时其表现很不理想。而SVDD只需要一类样本就可以建立分类器并将目标样本和非目标样本区分开来。而对于一些关键设备来说,是不允许发生故障的,或者说故障率很低。将SVDD应用于机械故障诊断和状态监测中,将有望解决传统模式识别方法在缺少故障样本时所遇到的问题。 1.介绍了SVDD的基本理论和算法,并在计算中利用核函数代替内积来提高分类器的灵活性。 2.针对经验模态分解在处理非平稳信号时的优点,利用经验模态分解对信号进行分解,提取各频带的能量作为特征向量,并用于训练和测试SVDD,实验证明该方法能很好地保留原信号的特征,取得很好的分类效果。 3.当具有少量故障样本的时候,我们既可以建立传统的两分类器又可以建立SVDD分类器。但是SVDD仅利用了正常样本,而且当故障样本较少且不能代表故障的典型分布的时候,传统的二分类器又很难取得较好的表现。因此本文研究了一种改进的SVDD——具有故障样本的SVDD在故障诊断中的应用,并通过对滚动轴承实验数据的分析,证明了该方法可以有效提高故障诊断的精度。 4.介绍了单分类方法中的三种主要理论:密度估计法、边界法和重构法。并评价和对比了这些方法在处理不同数据集时的表现。通过对比可知,密度估计法对数据做出了最完整的描述,但是却可能需要过多的样本;当样本数目较少时应优先考虑对数据的边界进行描述的边界法,特别是SVDD;最后,重构法根据数据的分布模型定义一个距离或重构误差,这个模型能够包含额外的和该问题有关的先验知识。
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：TH165.3
【图文】：

1试验,加速度传感器,电子控制装置,故障

为了验证上述方法的有效性，对滚动轴承实验台上的轴承故障数据进行分析，实验数据来自美国 easewestemReserveuniversity电气工程实验室[6，]。实验装置如图3一1所示。它包括四部分:1.skw的电动机、扭矩传感器、功率计和电子控制装置，图中从左至右依次是其前三部分，电子控制装置在图中没有显示。测试轴承是用来支撑电动机轴的。利用电火花加工的方法在测试轴承上产生不同故障等级(故障直径分别为0.18~、0.36mm和0.53~，一记为1、2和3级故障)的内圈故障、滚动体故障和外圈滚道故障。然后利用附着在外壳上的具有磁性基座的加速度传感器来收集各种工况下的振动数据(包括空载、轻载、满载和超载，其对应的功率分别为okw、0.75kw、 1.skw、2.25kw)。加速度传感器被安装在电机的驱动端和风扇端竖直方向的外壳上。在部分实验中，还在电动机的支座上安装一个加速度传感器。振动信号通过一个16通道的采集器来一记录，并在Matlab坏境中进行后处理。所有的数据文件都被保存成Matlab格式。数据的采样频率为12k，同时还以48k的采样频率采集了驱动端轴承的故障数据，并利用扭矩传感器收集转速和功率数据。图3一1试验装置结构图电机的转速随负载的不同而出现小幅的波动

【参考文献】