基于多核学习支持向量机的旋转机械故障识别方法研究

发布时间：2017-05-19 20:12

  本文关键词：基于多核学习支持向量机的旋转机械故障识别方法研究，由笔耕文化传播整理发布。

【摘要】：随着现代科学技术的迅猛发展，旋转机械不断朝着大型化、复杂化、高速化、连续化和自动化的方向发展。这些发展在带来较高生产效率的同时，对设备的安全运转也提出了更高的要求。对设备的状态进行监测和识别是保证设备安全可靠运行的重要措施。本文基于多核学习(Multiple Kernel Learning，MKL)支持向量机理论，对旋转机械故障识别过程中一些关键问题的解决进行了深入研究。 传统单核支持向量机不能满足诸如数据异构或不规则、样本不平坦分布等实际的应用需求,因此将多个核函数进行组合,以获得更好的结果是一种必然选择。本文将多核学习支持向量机应用到旋转机械的故障识别中，并通过实验验证了该方法的有效性和优越性。 作为数据处理的方法，集总经验模态分解(EEMD)能够较好地处理非平稳、非线性问题，，消除模态混叠效应，提出将EEMD方法和多核学习支持向量机结合，在对故障分类之前采用EEMD对原始信号进行预处理，以获得更好的分类效果。 在EEMD方法分解出的固有模态分量(IMF)中，为了更有效地提取故障特征，需要选取对故障敏感的IMF。本文提出基于多核学习的IMF分量选择方法，该方法能定量地给出每一个IMF对最后分类结果的贡献度，提高了IMF选取结果的有效性和合理性。 考虑到利用单一特征的识别方法具有很大的局限性，为了将不同的特征融合，最大限度地利用各种特征，本文提出基于多核多特征的液压泵故障识别方法。该方法首先提取多类特征，然后分别用特定的核函数映射，实验结果表明该方法显著地提高了分类器的性能。
【关键词】：旋转机械 故障识别 多核学习 多特征联合 支持向量机 集总经验模态分解 固有模态分量
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH165.3
【目录】：

• 摘要5-6
• Abstract6-11
• 第1章 绪论11-21
• 1.1 课题背景11-12
• 1.2 国内外研究现状及分析12-18
• 1.2.1 旋转机械故障诊断技术的研究现状及分析12-14
• 1.2.2 MKL 的研究现状及分析14-18
• 1.3 本文研究的意义和主要内容18-21
• 1.3.1 本文研究的意义18-19
• 1.3.2 本文研究的主要内容19-21
• 第2章 多核学习支持向量机理论基础21-35
• 2.1 机器学习21-22
• 2.2 支持向量机基本理论22-28
• 2.2.1 线性可分支持向量机22-24
• 2.2.2 广义线性支持向量机24-26
• 2.2.3 核特征空间的非线性映射算法26
• 2.2.4 核函数的类型26-27
• 2.2.5 非线性支持向量机27-28
• 2.3 多核学习支持向量机基本理论28-34
• 2.3.1 多核学习的引入28-30
• 2.3.2 多核学习支持向量机模型30-32
• 2.3.3 多核学习问题求解算法32-34
• 2.4 本章小结34-35
• 第3章 基于 MKL 方法在 EEMD 数据处理中的应用35-56
• 3.1 引言35
• 3.2 振动信号处理35-48
• 3.2.1 EEMD 分解在数据处理中的应用36-39
• 3.2.2 液压泵状态信号采集39-41
• 3.2.3 液压泵正常状态振动信号分析41-43
• 3.2.4 液压泵滑靴磨损故障振动信号分析43-45
• 3.2.5 液压泵单柱塞松靴故障振动信号分析45-47
• 3.2.6 液压泵中心弹簧失效故障振动信号分析47-48
• 3.3 基于 MKL 的 IMF 分量选择方法48-52
• 3.3.1 IMF 分量的选取方法49-50
• 3.3.2 多核学习确定 IMF50-52
• 3.4 基于 MKL 确定 IMF 分量结果分析52-55
• 3.4.1 正常和滑靴磨损 IMF 分量的确定52-53
• 3.4.2 正常和单柱塞松靴 IMF 分量的确定53-54
• 3.4.3 正常和中心弹簧失效 IMF 分量的确定54-55
• 3.5 本章小结55-56
• 第4章 基于多核学习 SVM 的故障识别方法56-70
• 4.1 引言56
• 4.2 仿真实验及结果分析56-61
• 4.2.1 实验数据源简介56
• 4.2.2 分类算法评价指标56-57
• 4.2.3 MKL 在二分类标准数据集中的应用57-59
• 4.2.4 MKL 在多分类标准数据集中的应用59-61
• 4.3 基于 MKL 的液压泵故障识别61-64
• 4.3.1 MKL 液压泵故障诊断流程61-62
• 4.3.2 液压泵故障识别实验结果分析62-64
• 4.4 基于 MKL 的轴承故障识别64-69
• 4.4.1 轴承振动测试实验方案设计与信号采集65-66
• 4.4.2 数据处理和特征提取66-67
• 4.4.3 轴承的故障识别67-69
• 4.5 本章小结69-70
• 第5章 基于多核多特征液压泵故障识别方法70-79
• 5.1 引言70
• 5.2 特征提取70-72
• 5.2.1 AR 模型提取故障特征70-71
• 5.2.2 奇异值分解提取故障特征71-72
• 5.3 特征组合72-74
• 5.3.1 特征组合的概念72
• 5.3.2 特征组合方法72-74
• 5.4 基于多核多特征液压泵故障识别方法74-78
• 5.4.1 多核多特征故障诊断流程74-75
• 5.4.2 多核多特征故障识别算法75-76
• 5.4.3 多核多特征液压泵故障识别结果分析76-78
• 5.5 本章小结78-79
• 结论79-81
• 参考文献81-85
• 攻读硕士学位期间承担的科研任务与主要成果85-86
• 致谢86-87
• 作者简介87

【参考文献】

中国期刊全文数据库 前10条

1 王玉静;康守强;张云;刘学;姜义成;Mikulovich V I;;基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法[J];电子与信息学报;2014年03期

2 张力;项辉宇;赵罘;袁柳樱;;斜盘式轴向柱塞泵摩擦副分析[J];机床与液压;2007年06期

3 林丽;余轮;;基于相关系数的EMD改进算法[J];计算机与数字工程;2008年12期

4 程军圣,于德介,杨宇;基于EMD的能量算子解调方法及其在机械故障诊断中的应用[J];机械工程学报;2004年08期

5 于德介,杨宇,程军圣;一种基于SVM和EMD的齿轮故障诊断方法[J];机械工程学报;2005年01期

6 于德介,程军圣,杨宇;Hilbert-Huang变换在齿轮故障诊断中的应用[J];机械工程学报;2005年06期

7 张学工;关于统计学习理论与支持向量机[J];自动化学报;2000年01期

8 程军圣;于德介;杨宇;;基于内禀模态奇异值分解和支持向量机的故障诊断方法[J];自动化学报;2006年03期

9 汪洪桥;孙富春;蔡艳宁;陈宁;丁林阁;;多核学习方法[J];自动化学报;2010年08期

10 窦东阳;赵英凯;;集合经验模式分解在旋转机械故障诊断中的应用[J];农业工程学报;2010年02期

  本文关键词：基于多核学习支持向量机的旋转机械故障识别方法研究，由笔耕文化传播整理发布。

本文编号：379727