基于小波和支持向量机的风机故障趋势预测研究

发布时间：2021-09-24 17:42

　　风机是现代工矿企业大量使用的动力设备，在企业生产过程和经济建设过程中起到非常重要作用。这些设备一旦出现故障将给企业带来较大的经济损失。应用故障趋势预测可以在风机出现故障之前提前进行停机检修，防止突发事故，维持正常生产秩序，减少过剩维修，较大幅度降低维修费用，因此具有重要的实际应用价值。 由于一般预测方法存在建模复杂、适用性窄、预测精度较低、泛化性能较差以及对非线性信号预测效果欠佳等缺陷，本文提出了基于小波分析和支持向量机的风机故障早期预测方法。通过前期小波分解，将风机原始振动时间序列依尺度分解到不同层次，对每层信号分别采用支持向量机预测，最后通过小波重构算法得到原始序列的预测值。文中最后对某铝厂排送风机的运行状态进行预测，并于其它预测方法做了对比，结果表明该方法具有更高的预测精度。应用该预测方法可以合理安排风机维修时间，减少维修费用。文中最后重点探讨小波基函数、小波分解层数以及支持向量机各参数对预测结果的影响，具有一定理论指导意义。 由于旋转类机械的相通性，本文所采用的原理和方法，也可应用于压缩机等其它旋转机械的故障预测中。因而本课题不仅可以为分析、预报风机故障提供切实可行... 

【文章来源】：广西大学广西壮族自治区 211工程院校

【文章页数】：93 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 风机故障预测的研究意义和方法
        1.1.1 风机故障趋势预测的研究意义
    1.2 国内外风机故障诊断的研究方法、现状及发展趋势
        1.2.1 风机故障诊断国内外研究概况
        1.2.2 风机故障趋势预测的研究方法
        1.2.3 风机故障诊断技术的发展趋势
    1.3 本文的研究内容和结构
第二章 小波分析理论及其在风机故障诊断中的应用
    2.1 小波分析简介
    2.2 Fourier变换(FT)
    2.3 窗口Fourier变换
    2.4 小波变换
        2.4.1 小波、小波变换的定义和条件
        2.4.2 小波变换的自适应时—频窗
        2.4.3 离散小波变换(Discrete Wavelet Transform,DWT)
    2.5 多分辨分析
        2.5.1 多分辨分析
    2.6 小波与小波包分解与重构算法
        2.6.1 Mallat合成与分解算法
        2.6.2 小波包Mallat算法
    2.7 小波(包)分析在风机故障诊断中的应用
        2.7.1 小波分析对突变信号的分析
        2.7.2 小波分析对含噪声信号的分析
        2.7.3 小波分析对长趋势信号的检测
        2.7.4 调频信号的小波包分析
    2.8 小结
第三章 统计学习理论与支持向量机
    3.1 统计学习理论
        3.1.1 VC维理论
        3.1.2 经验风险最小原则
        3.1.3 结构风险最小化原则
    3.2 支持向量和最优分类面
    3.3 非线性支持向量机
    3.4 支持向量回归(SVR)
    3.5 支持向量机研究现状以及应用
        3.5.1 支持向量机理论的研究现状
        3.5.2 支持向量机的应用概况
    3.6 小结
第四章 基于AR(p)模型和支持向量机的风机故障趋势预测
    4.1 风机振动噪声诊断机理研究
        4.1.1 风机的振动原因及诊断依据
        4.1.2 风机的噪声分析
    4.2 时间序列和随机过程
    4.3 自回归(AR)模型
        4.3.1 模型概述
        4.3.2 AR模型系数和阶次的确定
        4.3.3 AR(p)模型预测
    4.4 基于支持向量机的风机故障预测方法
        4.4.1 支持向量机预测
    4.5 风机振动时间序列趋势试验及状态预测
        4.5.1 实验装置和预测方案
        4.5.2 训练与测试样本确定
        4.5.3 样本数据标准化
        4.5.4 小波基函数与分解参数的选取
        4.5.5 预测性能评价指标
    4.6 支持向量机参数对预测结果的影响分析
        4.6.1 支持向量机的C值影响
        4.6.2 ε值的预测影响
        4.6.3 p_1值影响
        4.6.4 核函数影响
    4.7 同一测点不同测量方向上的风机故障趋势预测
    4.8 小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 展望
参考文献
附录1
附录2
致谢
攻读学位期间发表学术论文
学位论文原创性声明
学位论文使用授权声明


【参考文献】：
期刊论文
[1]风机振动故障诊断综述[J]. 汪光阳,周义莲.  安徽工业大学学报(自然科学版). 2006(01)
[2]电力短期负荷的多变量时间序列线性回归预测方法研究[J]. 雷绍兰,孙才新,周湶,张晓星.  中国电机工程学报. 2006(02)
[3]基于支持向量机的语音检测[J]. 吕刚.  武汉理工大学学报. 2005(04)
[4]基于支持向量机的旋转机械非线性故障诊断研究[J]. 王秉仁,刘兆阳,张家伟,田丽洁.  煤矿机械. 2005(02)
[5]基于时间序列的支持向量机在负荷预测中的应用[J]. 张林,刘先珊,阴和俊.  电网技术. 2004(19)
[6]BP神经网络在风机振动报警时间中的应用[J]. 秦衡峰,卜英勇,王福亮.  凿岩机械气动工具. 2004(02)
[7]小波分解与变换法预测地下水位动态[J]. 吴东杰,王金生,滕彦国.  水利学报. 2004(05)
[8]风机振动故障的状态监测与处理[J]. 黄加东,仲大庆.  中国设备工程. 2004(05)
[9]支持向量机在交通量预测中的应用[J]. 王继生,高宝成,时良平.  信息技术. 2004(04)
[10]基于小波分解的AR-SVR一类非平稳时间序列预测[J]. 曾凡仔,裘正定.  信号处理. 2004(02)



本文编号：3408168