基于深度支持向量机的旋转机械故障诊断方法研究
发布时间：2022-01-09 09:14
机械故障诊断技术能够对设备故障状态做出诊断预防,提高设备运行可靠性与安全性。旋转机械在工业生产中使用广泛,针对旋转机械的故障诊断一直是机械故障领域中的重点研究方向。随着社会的进步与生产力的发展,大型高速复杂旋转机械应用更加广泛,对设备运行的可靠性与安全性要求也日益增加,传统诊断方法已经不能满足相应的诊断要求。近年来,随着人工智能方法的发展,故障诊断方法由简易诊断、精密诊断,逐渐向基于机器学习、人工智能的智能诊断方法发展。其中支持向量机是一种基于结构风险最小化的模式识别方法,经故障数据训练后能够学习故障特征,实现对故障的诊断。本文要围绕旋转机械故障诊断,以支持向量机为理论基础,提出一种改进的深度支持向量机模式识别方法,并通过设计进行相关实验,研究深度支持向量机在旋转机械故障诊断中的应用。本文的研究内容主要包括以下两个部分:（1）在常规条件下,提出一种改进的深度稀疏最小二乘支持向量机诊断方法。该方法构建了多层支持向量机结构,在输入层利用训练样本对支持向量机进行训练,通过一定方法生成一组新的样本并用于训练下一层,利用多次学习提高分类准确率。考虑到多层结构带来的算法训练复杂度与诊断用时增加的问...
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图2-1支持向量机原理图
第二章基于深度稀疏最小二乘支持向量机的故障诊断方法9图2-2核函数映射示意图通过求解下式2.19计算a，并得到决策函数[37]。11111max(,)2..00=1,2,nnniijijijiijniiiiayyaaKstyaain=====axx…,（2.19）SVM采用的核函数需满足Mercer条件，避免了直接在高维空间中的计算，同时能得到等价的结果。常用的核函数包括以下几种：（1）线性核函数(,)iiKxx=xx（2.20）（2）多项式核函数(,)(1)diiKxx=xx+（2.21）（3）高斯核函数22(,)exp()2iiKσ=xxxx（2.22）（4）Sigmoid核函数(,)tanh(())iiKxx=βxx+c（2.23）SVM在分类中需要考虑数据噪声或偏离正常位置距离比较远的点，会对分类间隔与超平面造成较大影响，忽略此类点反而会使间隔变大，获得更好的分类结果。因此SVM允许数据点在一定程度上偏离超平面，通过设置约束条件允许数据点有一定程度的偏离。约束条件如式2.24所示。()1,2,,Tiiiyωx+b1-ξi=n（2.24）式中iξ0是松弛变量。参数iξ对应第i个训练样本xi允许偏离几何间隔的量，若允许iξ的值任意大，会导致任意超平面均符合条件按，因此为了避免偏离量过大，需要在目标函数中增加惩罚项用于控制iξ的总和最小，如公式2.25所示。
第二章基于深度稀疏最小二乘支持向量机的故障诊断方法13式中isv是支持向量，ia是支持向量对应拉格朗日因子，isvy是支持向量对应标签，b是偏置。图2-3深度支持向量机模型样本重构可如图2-4所示，重构后的样本数量与初始训练样本集保持一致为N，而每个样本维度由初始样本维度M变为Q。对训练样本MixR，特征提取公式对输入层的ix处理后能够得到一组新的重构样本如公式2.48所示。1211122{,,,}QisvisvisvQQih=yaK(svx)+b,yaK(svx)+b,,yaK(svx)+b（2.48）训练样本MixR被转化成QihR，输入层到下一层的训练完成，重构后的训练样本对应的标签仍为12,,Nyy…,y。利用重构的训练样本对下一层进行训练，同样利用训练后得到的特征信息与参数，通过公式2.47再次进行样本重构，新生成的样本作为训练集对新一层SVM训练，对于层数为n的DSVM，通过n-1次样本重构与n次样本特征学习，最终第n层输出层的最优求解作为DSVM的分类决策函数。同样，测试样本集需要经输入层、中间层及输出层的多次样本结构转换后判断具体类别，对于测试样本x，输出y(x)可由公式2.49表示。1()liiiiyayKb=x=(sv,o(x))+（2.49）其中，isv是输出层第i个支持向量，l是输出层支持向量数量，o(x)为经过多层结构层转换映射后的特征，b为最后一层的偏置项。对于线性可分问题可采用线性内积处理，线性不可分问题则选择合适的核方法解决。图2-4样本重构121211112211111213121222321122222123,,,,,,QQsvsvsvQQMMsvsvsvQQNNNNMsvyaKbyaKbyaKbxxxxxxxxyaKbyaKbyaKbxxxxyasvxsvxsvxsvxsvxsvx()+()+()+()+()+()+21122,,,QNsvNsvQQNKbyaKbyaKb(svx)+(svx)+(svx
【参考文献】：
期刊论文
[1]深度学习在旋转机械设备故障诊断中的应用研究综述[J]. 吴春志,冯辅周,吴守军,陈汤,王杰. 噪声与振动控制. 2019(05)
[2]一种用于轴承故障诊断的迁移学习模型[J]. 张根保,李浩,冉琰,李裘进. 吉林大学学报(工学版). 2020(05)
[3]随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断[J]. 张康,陶建峰,覃程锦,李卫星,刘成良. 西安交通大学学报. 2019(08)
[4]大数据下机械装备故障的深度迁移诊断方法[J]. 雷亚国,杨彬,杜兆钧,吕娜. 机械工程学报. 2019(07)
[5]基于深度卷积变分自编码网络的故障诊断方法[J]. 佘博,田福庆,梁伟阁. 仪器仪表学报. 2018(10)
[6]基于支持向量机的机械故障诊断方法研究[J]. 冯伟杰,张景珊,付晓琪. 中国金属通报. 2018(09)
[7]离心泵机组振动故障诊断与分析[J]. 雪增红,曹潇,王天周. 排灌机械工程学报. 2018(06)
[8]知识嵌入的迁移孪生支持向量机[J]. 王洪元,耿磊,倪彤光,王冲. 控制与决策. 2019(03)
[9]基于卷积神经网络的异步电机故障诊断[J]. 王丽华,谢阳阳,周子贤,张永宏,赵晓平. 振动.测试与诊断. 2017(06)
[10]基于极限学习机参数迁移的域适应算法[J]. 许夙晖,慕晓冬,柴栋,罗畅. 自动化学报. 2018(02)
博士论文
[1]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲.北京交通大学 2016
[2]迁移学习问题与方法研究[D]. 龙明盛.清华大学 2014
[3]旋转机械故障诊断的时频分析方法及其应用研究[D]. 钟先友.武汉科技大学 2014
[4]基于支持向量机的旋转机械故障诊断与预测方法研究[D]. 朱霄珣.华北电力大学 2013
硕士论文
[1]基于迁移学习的工业过程故障诊断方法研究与实现[D]. 王春峰.大连理工大学 2019
[2]基于迁移学习的变工况下滚动轴承故障诊断方法研究[D]. 胡明武.哈尔滨理工大学 2019
[3]基于最小二乘支持向量机的燃煤锅炉燃烧优化研究[D]. 陈南锟.东南大学 2016
[4]基于半监督的SVM迁移学习文本分类方法[D]. 谭建平.广东工业大学 2016
[5]改进的支持向量机的理论研究及应用[D]. 刘春雨.西北农林科技大学 2016
[6]基于GMM与改进LS-SVM算法的说话人识别研究[D]. 张俊.中国科学技术大学 2015
[7]基于支持向量机和深度学习的分类算法研究[D]. 刘树春.华东师范大学 2015
[8]风力发电机齿轮箱状态监测与故障诊断系统的研发与实现[D]. 高志伟.上海电机学院 2015
[9]基于最小二乘支持向量机的参数变化模型辨识及其预测控制[D]. 冯凯.浙江大学 2015
[10]SVM参数寻优及其在分类中的应用[D]. 徐晓明.大连海事大学 2014
本文编号：3578413
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图2-1支持向量机原理图
第二章基于深度稀疏最小二乘支持向量机的故障诊断方法9图2-2核函数映射示意图通过求解下式2.19计算a，并得到决策函数[37]。11111max(,)2..00=1,2,nnniijijijiijniiiiayyaaKstyaain=====axx…,（2.19）SVM采用的核函数需满足Mercer条件，避免了直接在高维空间中的计算，同时能得到等价的结果。常用的核函数包括以下几种：（1）线性核函数(,)iiKxx=xx（2.20）（2）多项式核函数(,)(1)diiKxx=xx+（2.21）（3）高斯核函数22(,)exp()2iiKσ=xxxx（2.22）（4）Sigmoid核函数(,)tanh(())iiKxx=βxx+c（2.23）SVM在分类中需要考虑数据噪声或偏离正常位置距离比较远的点，会对分类间隔与超平面造成较大影响，忽略此类点反而会使间隔变大，获得更好的分类结果。因此SVM允许数据点在一定程度上偏离超平面，通过设置约束条件允许数据点有一定程度的偏离。约束条件如式2.24所示。()1,2,,Tiiiyωx+b1-ξi=n（2.24）式中iξ0是松弛变量。参数iξ对应第i个训练样本xi允许偏离几何间隔的量，若允许iξ的值任意大，会导致任意超平面均符合条件按，因此为了避免偏离量过大，需要在目标函数中增加惩罚项用于控制iξ的总和最小，如公式2.25所示。
第二章基于深度稀疏最小二乘支持向量机的故障诊断方法13式中isv是支持向量，ia是支持向量对应拉格朗日因子，isvy是支持向量对应标签，b是偏置。图2-3深度支持向量机模型样本重构可如图2-4所示，重构后的样本数量与初始训练样本集保持一致为N，而每个样本维度由初始样本维度M变为Q。对训练样本MixR，特征提取公式对输入层的ix处理后能够得到一组新的重构样本如公式2.48所示。1211122{,,,}QisvisvisvQQih=yaK(svx)+b,yaK(svx)+b,,yaK(svx)+b（2.48）训练样本MixR被转化成QihR，输入层到下一层的训练完成，重构后的训练样本对应的标签仍为12,,Nyy…,y。利用重构的训练样本对下一层进行训练，同样利用训练后得到的特征信息与参数，通过公式2.47再次进行样本重构，新生成的样本作为训练集对新一层SVM训练，对于层数为n的DSVM，通过n-1次样本重构与n次样本特征学习，最终第n层输出层的最优求解作为DSVM的分类决策函数。同样，测试样本集需要经输入层、中间层及输出层的多次样本结构转换后判断具体类别，对于测试样本x，输出y(x)可由公式2.49表示。1()liiiiyayKb=x=(sv,o(x))+（2.49）其中，isv是输出层第i个支持向量，l是输出层支持向量数量，o(x)为经过多层结构层转换映射后的特征，b为最后一层的偏置项。对于线性可分问题可采用线性内积处理，线性不可分问题则选择合适的核方法解决。图2-4样本重构121211112211111213121222321122222123,,,,,,QQsvsvsvQQMMsvsvsvQQNNNNMsvyaKbyaKbyaKbxxxxxxxxyaKbyaKbyaKbxxxxyasvxsvxsvxsvxsvxsvx()+()+()+()+()+()+21122,,,QNsvNsvQQNKbyaKbyaKb(svx)+(svx)+(svx
【参考文献】：
期刊论文
[1]深度学习在旋转机械设备故障诊断中的应用研究综述[J]. 吴春志,冯辅周,吴守军,陈汤,王杰. 噪声与振动控制. 2019(05)
[2]一种用于轴承故障诊断的迁移学习模型[J]. 张根保,李浩,冉琰,李裘进. 吉林大学学报(工学版). 2020(05)
[3]随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断[J]. 张康,陶建峰,覃程锦,李卫星,刘成良. 西安交通大学学报. 2019(08)
[4]大数据下机械装备故障的深度迁移诊断方法[J]. 雷亚国,杨彬,杜兆钧,吕娜. 机械工程学报. 2019(07)
[5]基于深度卷积变分自编码网络的故障诊断方法[J]. 佘博,田福庆,梁伟阁. 仪器仪表学报. 2018(10)
[6]基于支持向量机的机械故障诊断方法研究[J]. 冯伟杰,张景珊,付晓琪. 中国金属通报. 2018(09)
[7]离心泵机组振动故障诊断与分析[J]. 雪增红,曹潇,王天周. 排灌机械工程学报. 2018(06)
[8]知识嵌入的迁移孪生支持向量机[J]. 王洪元,耿磊,倪彤光,王冲. 控制与决策. 2019(03)
[9]基于卷积神经网络的异步电机故障诊断[J]. 王丽华,谢阳阳,周子贤,张永宏,赵晓平. 振动.测试与诊断. 2017(06)
[10]基于极限学习机参数迁移的域适应算法[J]. 许夙晖,慕晓冬,柴栋,罗畅. 自动化学报. 2018(02)
博士论文
[1]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲.北京交通大学 2016
[2]迁移学习问题与方法研究[D]. 龙明盛.清华大学 2014
[3]旋转机械故障诊断的时频分析方法及其应用研究[D]. 钟先友.武汉科技大学 2014
[4]基于支持向量机的旋转机械故障诊断与预测方法研究[D]. 朱霄珣.华北电力大学 2013
硕士论文
[1]基于迁移学习的工业过程故障诊断方法研究与实现[D]. 王春峰.大连理工大学 2019
[2]基于迁移学习的变工况下滚动轴承故障诊断方法研究[D]. 胡明武.哈尔滨理工大学 2019
[3]基于最小二乘支持向量机的燃煤锅炉燃烧优化研究[D]. 陈南锟.东南大学 2016
[4]基于半监督的SVM迁移学习文本分类方法[D]. 谭建平.广东工业大学 2016
[5]改进的支持向量机的理论研究及应用[D]. 刘春雨.西北农林科技大学 2016
[6]基于GMM与改进LS-SVM算法的说话人识别研究[D]. 张俊.中国科学技术大学 2015
[7]基于支持向量机和深度学习的分类算法研究[D]. 刘树春.华东师范大学 2015
[8]风力发电机齿轮箱状态监测与故障诊断系统的研发与实现[D]. 高志伟.上海电机学院 2015
[9]基于最小二乘支持向量机的参数变化模型辨识及其预测控制[D]. 冯凯.浙江大学 2015
[10]SVM参数寻优及其在分类中的应用[D]. 徐晓明.大连海事大学 2014
本文编号：3578413
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3578413.html
