手机知网 App
24小时专家级知识服务
打 开
手机知网|搜索

基于分形和支持向量机的机械设备故障诊断

冯振华

   在统计学习理论上发展起来的支持向量机,为小样本学习问题的解决提供了一种新的思路。它很好地执行了统计学习理论的结构风险最小化原则,并且利用核函数将非线性问题转换到线性空间中解决,大大降低了算法的复杂程度。正是这些优秀的性能使得支持向量机成为了机器学习研究的热点,在各个领域都有它的应用和研究,特别是在故障诊断领域,由于在实际生产中故障样本很难得到,故障诊断本身就是一个小样本问题,而支持向量机所表现出的小样本决策性能使得它在故障诊断领域的前景非常广阔。同时,故障特征提取方法也是故障诊断中的重要环节。分形方法能够通过其特征参数——分形维数对复杂机械系统的状态微小变化做出量化的描述,借助分形维数这一特征量,将有助于对机械设备的状态进行识别。 本文在对支持向量机和分形深入了解的基础上,进行了以下方面的研究:以滚动轴承作为研究对象,首先对其故障行为进行了分析,并通过故障模拟的方法,在轴承实验台上进行了不同工况下滚动轴承几种典型故障信号的采集。然后对采集到的振动信号进行了趋势项的消除,并利用小波分析的方法对信号进行了消除噪声的处理。进一步将经过预处理的信号应用分形的方法来提取滚动轴承振动信号的故障特征。最后将分形方法得到的特征向量作为样本输入支持向量机,利用支持向量机的回归算法对滚动轴承进行了故障诊断。另外对支持向量机的参数选择的问题作了一些有益的探讨,提出了一种参数选择的方法。研究与实验表明:将支持向量机与分形结合起来进行故障诊断的方法能够对滚动轴承的微弱故障进行诊断,该方法是可行的。……   
[关键词]:故障诊断;支持向量机;回归;分形;特征提取
[文献类型]:硕士论文
[文献出处]:太原理工大学2007年