支持向量機(jī)旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷

針對(duì)傳統(tǒng)方法難以精確提取水電機(jī)組非平穩(wěn)振動(dòng)信號(hào)的故障特征,首先引入變分模態(tài)分解(variationalmodaldecomposition,vmd)將水電機(jī)組非平穩(wěn)振動(dòng)信號(hào)分解為一系列中心頻段互不重疊的imf分量,進(jìn)而采取能量法提取各imf分量的故障特征,最后將提取的故障特征向量輸入到本文建立的基于遺傳算法優(yōu)化支持向量機(jī)的故障診斷模型中,實(shí)現(xiàn)故障模式的識(shí)別與診斷。將該方法應(yīng)用于實(shí)際水電機(jī)組故障振動(dòng)信號(hào)的處理中,仿真結(jié)果表明,該方法能夠有效識(shí)別機(jī)組的異常狀況,具有較高的故障診斷正確率。

水電機(jī)組的振動(dòng)信號(hào)為典型的非平穩(wěn)、非線性信號(hào)。為了通過振動(dòng)信號(hào)正確判斷水電機(jī)組的運(yùn)行狀態(tài)，本文提出運(yùn)用經(jīng)驗(yàn)?zāi)B(tài)分解處理原始信號(hào)，并對(duì)獲得的基本模式分量計(jì)算其復(fù)雜度特征，最后運(yùn)用最小二乘支持向量機(jī)進(jìn)行故障診斷。選取徑向基函數(shù)作為核函數(shù)，并通過網(wǎng)格搜索和交叉驗(yàn)證確定相關(guān)參數(shù)。結(jié)果表明，經(jīng)驗(yàn)?zāi)B(tài)分解復(fù)雜度特征和支持向量機(jī)結(jié)合，能夠準(zhǔn)確地實(shí)現(xiàn)故障診斷，確定故障類型，為機(jī)組運(yùn)行維護(hù)人員提供參考依據(jù)。

針對(duì)水電機(jī)組常規(guī)振動(dòng)故障診斷分類器不能反映分類中的不確定信息的不足,提出一種基于粗糙集的一對(duì)一(1-v-1)多類支持向量機(jī)分類方法。該方法充分利用粗糙集對(duì)不確定、不完整數(shù)據(jù)和復(fù)雜模式的良好刻畫能力及支持向量機(jī)優(yōu)秀的泛化能力,應(yīng)用粗糙集最核心的思想:上、下近似來描述支持向量機(jī)分類結(jié)果。結(jié)合1-v-1方法實(shí)現(xiàn)支持向量機(jī)的多類分類,導(dǎo)出多類分類時(shí)樣本的上、下近似和邊界區(qū)域的集合表示,并以規(guī)則的形式對(duì)分類器進(jìn)行描述。用所提方法對(duì)國際標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)進(jìn)行實(shí)驗(yàn),并應(yīng)用于某水電廠機(jī)組振動(dòng)故障診斷。所得結(jié)果與單純1-v-1多類支持向量機(jī)方法比較,結(jié)果表明該分類器具有規(guī)則簡(jiǎn)潔、分類階段所需存儲(chǔ)空間小,能夠反映故障模式分類中的不確定信息等優(yōu)點(diǎn)。

提出應(yīng)用粗糙集和支持向量機(jī)水電機(jī)組振動(dòng)的故障診斷模型。運(yùn)用粗糙集理論對(duì)水電機(jī)組振動(dòng)信號(hào)的屬性特征進(jìn)行預(yù)處理,在約簡(jiǎn)去除其冗余屬性后得到?jīng)Q策表,將決策表作為支持向量機(jī)的學(xué)習(xí)樣本,通過訓(xùn)練,使構(gòu)建的支持向量機(jī)多分類器能夠反映屬性特征和故障類型的映射關(guān)系,從而達(dá)到故障診斷的目的。測(cè)試結(jié)果表明,與常規(guī)方法相比,應(yīng)用粗糙集和支持向量機(jī)相結(jié)合的方法進(jìn)行故障診斷具有簡(jiǎn)單有效、診斷速度快和良好的魯棒性等優(yōu)點(diǎn),是一種有效的診斷方法。

提出了一種利用小波包分析提取水電機(jī)組的振動(dòng)故障特征和基于支持向量機(jī)的水電機(jī)組振動(dòng)故障診斷方法。以二值分類為基礎(chǔ),構(gòu)建了基于支持向量機(jī)的多值分類器。先對(duì)水電機(jī)組的振動(dòng)信號(hào)進(jìn)行頻譜分析,提取該信號(hào)在頻率域的特征量,將頻譜特征向量作為學(xué)習(xí)樣本,通過訓(xùn)練,使分類器能夠建立頻譜特征向量和故障類型的映射關(guān)系,從而達(dá)到故障診斷的目的,并以水電機(jī)組振動(dòng)多故障分類為例,進(jìn)行了應(yīng)用檢驗(yàn)。結(jié)果表明,與常規(guī)方法相比,該方法簡(jiǎn)單有效、并具有很好的分類能力和良好的魯棒性,可以滿足在線故障診斷的要求,適合水電機(jī)組振動(dòng)故障的診斷。該方法為水電機(jī)組故障診斷向智能化發(fā)展提供了新的途徑。

故障樣本的缺乏嚴(yán)重制約智能故障診斷的發(fā)展,本文提出支持向量機(jī)應(yīng)用到發(fā)動(dòng)機(jī)故障診斷中,該方法專門針對(duì)小樣本集合設(shè)計(jì),能夠在小樣本情況下獲得較大的推廣,而且模型簡(jiǎn)單,具體是將汽車在典型故障下尾氣中各氣體的體積分?jǐn)?shù)作為訓(xùn)練樣本。用處理過的樣本和最優(yōu)參數(shù)建立基于支持向量機(jī)的多元分類器模型,進(jìn)行故障類別診斷。經(jīng)過libsvm工具箱進(jìn)行仿真,結(jié)果表明經(jīng)優(yōu)化后的支持向量機(jī)對(duì)于小樣本故障診斷有很高的準(zhǔn)確率。

支持向量機(jī)作為基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)方法，在人工智能識(shí)別方面的研究起到了重要的作用。本文將支持向量機(jī)智能識(shí)別方法引入到機(jī)械設(shè)備的故障診斷當(dāng)中，并對(duì)支持向量機(jī)模型起到關(guān)鍵作用的懲罰因子c和核參數(shù)g采用了交叉驗(yàn)證的方法進(jìn)行最優(yōu)化計(jì)算。建立了基于優(yōu)化的支持向量機(jī)的機(jī)械設(shè)備故障診斷模型，并且進(jìn)行了相關(guān)實(shí)驗(yàn)，實(shí)驗(yàn)表明，采用本文介紹的基于支持向量機(jī)的故障診斷方法可有效識(shí)別出機(jī)械設(shè)備的故障類型，對(duì)機(jī)械設(shè)備的故障診斷提供了有效的診斷方法。

通過對(duì)支持向量機(jī)核函數(shù)的分析發(fā)現(xiàn),當(dāng)對(duì)樣本的各個(gè)特征賦予不同大小的尺度參數(shù)時(shí),可以避免冗余特征干擾分類,增強(qiáng)關(guān)鍵特征在分類中的作用,提高支持向量機(jī)分類器的學(xué)習(xí)和泛化能力。在此基礎(chǔ)上,提出一種具有不同特征尺度參數(shù)的支持向量機(jī)(簡(jiǎn)稱多尺度支持向量機(jī)),并通過遺傳算法最小化loo(leave-one-out)泛化錯(cuò)誤上限估計(jì),根據(jù)各個(gè)特征的識(shí)別能力賦予其不同大小的尺度參數(shù)。將多尺度支持向量機(jī)用于軸承故障診斷,實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的單尺度參數(shù)支持向量機(jī)相比,多尺度支持向量機(jī)具有更好的泛化能力。對(duì)壓縮機(jī)氣閥的故障識(shí)別表明,尺度參數(shù)的大小直接反映了對(duì)應(yīng)特征識(shí)別能力的大小,因此可以依據(jù)尺度參數(shù)的大小進(jìn)行特征選擇,保留關(guān)鍵特征,剔除冗余特征。

提出一種基于遺傳算法和支持向量機(jī)的故障診斷方法,利用遺傳算法對(duì)故障特征集和支持向量機(jī)的參數(shù)同時(shí)進(jìn)行優(yōu)化,然后把優(yōu)化選擇的故障特征輸入支持向量機(jī)進(jìn)行故障識(shí)別。既剔除了故障特征的冗余性、減少了計(jì)算量,又解決了支持向量機(jī)的參數(shù)難以選擇等問題。診斷實(shí)例表明,該方法能利用較少的故障特征得到較高的診斷精度。

針對(duì)水電機(jī)組故障信息缺乏、故障識(shí)別困難等問題,提出基于支持向量機(jī)的水電機(jī)組故障診斷模型.并針對(duì)實(shí)測(cè)水電機(jī)組故障數(shù)據(jù),分析支持向量機(jī)水電機(jī)組故障診斷模型和常用的神經(jīng)網(wǎng)絡(luò)故障診斷模型等理論在水電機(jī)組故障診斷中的優(yōu)劣.研究表明,支持向量機(jī)理論在小樣本情況下比神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的診斷能力.

針對(duì)水電機(jī)組故障樣本少的問題,將支持向量機(jī)引入水電機(jī)組故障診斷研究,提出一種結(jié)合小波頻帶分解與最小二乘支持向量機(jī)的水電機(jī)組故障診斷模型?；跈C(jī)械設(shè)備\"能量-故障\"映射關(guān)系,運(yùn)用小波分解提取機(jī)組振動(dòng)信號(hào)各頻帶能量特征值,然后將能量特征值輸入到多分類的支持向量機(jī),實(shí)現(xiàn)對(duì)機(jī)組不同故障類型的識(shí)別。通過實(shí)驗(yàn)信號(hào)分析,表明將小波能量提取與支持向量機(jī)結(jié)合進(jìn)行水電機(jī)組故障診斷是可行有效的,并具有較高的故障分辨能力,為水電機(jī)組故障診斷提供了新的方法和思路。

電力云計(jì)算將虛擬化與分布式技術(shù)代替?zhèn)鹘y(tǒng)的服務(wù)器+san/nas信息計(jì)算模式,虛擬池對(duì)數(shù)據(jù)的整合與管理在提高資源利用率和降低建設(shè)成本的同時(shí),由于電力云穩(wěn)定和可靠工作的前提很大程度上依賴于良好的網(wǎng)絡(luò)狀態(tài),由此也帶來故障診斷更加復(fù)雜的新挑戰(zhàn).為了實(shí)現(xiàn)電力云網(wǎng)絡(luò)故障的診斷,針對(duì)網(wǎng)絡(luò)故障本身具有的小樣本和非線性特征,采用支持向量機(jī)svm算法,在二分類無法解決多分類的基礎(chǔ)上進(jìn)行改進(jìn),選擇了一對(duì)一svm,借助實(shí)驗(yàn)數(shù)據(jù)和matlab仿真結(jié)果驗(yàn)證了其可行性.

電梯故障時(shí),具有故障特征提取困難和故障類型識(shí)別率低的問題。因此,擬提取其振動(dòng)信號(hào)并進(jìn)行分析,找到故障特征。然而,鑒于其振動(dòng)信號(hào)為非平穩(wěn)、非高斯且背景噪聲較大的信號(hào),給有效辨識(shí)造成很大困難,所以,提出應(yīng)用最優(yōu)小波包分解和最小二乘支持向量機(jī)相結(jié)合進(jìn)行電梯智能故障診斷的方法。借助最優(yōu)小波包理論,首先提取電梯故障振動(dòng)信號(hào)的能量分布;然后將其能量分布與時(shí)域指標(biāo)相結(jié)合,構(gòu)造故障特征向量;最后,將故障特征向量作為粒子群算法優(yōu)化最小二乘支持向量機(jī)的輸入對(duì)電梯故障類型進(jìn)行識(shí)別。仿真結(jié)果表明,最優(yōu)小波包理論與最小二乘支持向量機(jī)相結(jié)合的故障診斷技術(shù)發(fā)揮了兩者的優(yōu)勢(shì),證明了該方法的有效性和實(shí)用性。

電梯故障時(shí),具有故障特征提取困難和故障類型識(shí)別率低的問題。因此,擬提取其振動(dòng)信號(hào)并進(jìn)行分析,找到故障特征。然而,鑒于其振動(dòng)信號(hào)為非平穩(wěn)、非高斯且背景噪聲較大的信號(hào),給有效辨識(shí)造成很大困難,所以,提出應(yīng)用最優(yōu)小波包分解和最小二乘支持向量機(jī)相結(jié)合進(jìn)行電梯智能故障診斷的方法。借助最優(yōu)小波包理論,首先提取電梯故障振動(dòng)信號(hào)的能量分布;然后將其能量分布與時(shí)域指標(biāo)相結(jié)合,構(gòu)造故障特征向量;最后,將故障特征向量作為粒子群算法優(yōu)化最小二乘支持向量機(jī)的輸入對(duì)電梯故障類型進(jìn)行識(shí)別。仿真結(jié)果表明,最優(yōu)小波包理論與最小二乘支持向量機(jī)相結(jié)合的故障診斷技術(shù)發(fā)揮了兩者的優(yōu)勢(shì),證明了該方法的有效性和實(shí)用性。

針對(duì)電梯的幾種常見故障,論文采用了最小二乘支持向量機(jī)(ls-svm)診斷的方法。采集電梯幾種故障狀態(tài)下的振動(dòng)信號(hào),用最優(yōu)小波包的理論分析計(jì)算故障振動(dòng)信號(hào)的能量分布,將其能量分布與時(shí)域指標(biāo)相結(jié)合,以構(gòu)造故障特征向量,作為ls-svm的輸入來識(shí)別電梯的故障原因,并采用遺傳算法優(yōu)化ls-svm的相關(guān)參數(shù)。通過對(duì)電梯六種常見故障的診斷結(jié)果表明,基于遺傳算法優(yōu)化的最小二乘支持向量機(jī)用于電梯故障診斷是一種有效的方法。

研究電路的故障問題,應(yīng)提高快速性和準(zhǔn)確性。為提高仿真電路故障診斷效率,給出了一種基于改進(jìn)支持向量機(jī)的仿真電路故障診斷方法。首先通過小波包變換實(shí)現(xiàn)了信號(hào)的能量特征提取,根據(jù)主元分析完成了特征壓縮;其次針對(duì)支持向量機(jī)多分類一對(duì)一方法存在的不可分類區(qū),將其與最近鄰分類法相結(jié)合,實(shí)現(xiàn)了電路的故障診斷,并提出了一種混合遺傳算法實(shí)現(xiàn)了小波函數(shù)和支持向量機(jī)參數(shù)的同步選擇;最后通過一仿真電路的仿真實(shí)驗(yàn),與bp,rbf和pnn等神經(jīng)網(wǎng)絡(luò)對(duì)比,結(jié)果顯示基于支持向量機(jī)的方法診斷精度最高,達(dá)到98%,為設(shè)計(jì)提供參考依據(jù)。

為了解決因缺少大量故障數(shù)據(jù)樣本而制約數(shù)字電路故障智能診斷發(fā)展的問題,提出了一種基于支持向量機(jī)的故障診斷仿真模型。由fpga仿真產(chǎn)生數(shù)字電路,由pci-7200i/o卡進(jìn)行采集。支持向量機(jī)建立在vc維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上,根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷。在選取診斷模型輸入向量時(shí),對(duì)故障信號(hào)進(jìn)行篩選,簡(jiǎn)化了故障特征向量的提取。仿真結(jié)果表明支持向量機(jī)可以有效地對(duì)數(shù)字電路故障進(jìn)行診斷。

在現(xiàn)代化生產(chǎn)中，隨著機(jī)電設(shè)備的不斷增多，在運(yùn)行過程中難免會(huì)發(fā)生故障，這就要求需要及時(shí)對(duì)出現(xiàn)故障的設(shè)備進(jìn)行診斷，以保證設(shè)備的正常運(yùn)行。然而，隨著故障診斷技術(shù)的發(fā)展，支持向量機(jī)在設(shè)備故障診斷中得到了廣泛應(yīng)用，其是一種基于數(shù)據(jù)學(xué)習(xí)，以傳統(tǒng)統(tǒng)計(jì)學(xué)理論的方法，可以有效減少算法設(shè)計(jì)的隨意性。

在以振動(dòng)傳遞路徑分析作為機(jī)械設(shè)備故障診斷基本技術(shù)的前提下,旋轉(zhuǎn)機(jī)械故障模擬試驗(yàn)臺(tái)系統(tǒng)需要將變速驅(qū)動(dòng)電機(jī)、調(diào)速器、軸、軸承、偏重轉(zhuǎn)盤(2只)及齒輪箱等連接起來作為鉆井泥漿泵診斷模型的基本試驗(yàn)平臺(tái)。試驗(yàn)平臺(tái)在前期調(diào)配階段可以以虛擬的方式進(jìn)行模擬構(gòu)建,在診斷步驟實(shí)施之前,預(yù)先使用旋轉(zhuǎn)機(jī)械故障模擬試驗(yàn)臺(tái)來進(jìn)行鉆井泥漿泵頻率和振動(dòng)能量分布情況的判定。利用3nb—1300c型鉆井泥漿泵作為診斷模型進(jìn)行故障診斷時(shí),必須有效區(qū)分旋轉(zhuǎn)機(jī)械故障模擬試驗(yàn)臺(tái)和實(shí)際情況之間的差異性,并精準(zhǔn)選擇出檢測(cè)點(diǎn)。

旋轉(zhuǎn)機(jī)械（電動(dòng)機(jī)）及泵類振動(dòng)評(píng)價(jià)標(biāo)準(zhǔn) 對(duì)照《shs06001-2004旋轉(zhuǎn)電機(jī)及調(diào)速勵(lì)磁裝置維護(hù)檢修規(guī)程》 及《jb/t8097-1999泵的振動(dòng)測(cè)量與評(píng)價(jià)方法》，現(xiàn)將機(jī)泵振動(dòng)值做 如下規(guī)定： 機(jī)泵類型機(jī)泵功率（p）泵側(cè)振動(dòng)值 (mm/s) 電機(jī)側(cè)振動(dòng) 值(mm/s) 備注 臥式泵≤15kw≤4.5≤1.8 ≥15kw且≤300kw≤4.5≤2.8 ≥300kw≤4.5≤4.5 立式泵≥5kw且≤75kw≤4.5≤2.8 一、旋轉(zhuǎn)機(jī)械（電動(dòng)機(jī)）的振動(dòng)評(píng)價(jià)標(biāo)準(zhǔn) gb6075-99將旋轉(zhuǎn)機(jī)械分為四類，其振動(dòng)評(píng)價(jià)等級(jí)標(biāo)準(zhǔn)見附表一 附表一：電動(dòng)機(jī)振動(dòng)評(píng)價(jià)等級(jí)標(biāo)準(zhǔn) 振動(dòng)值 振動(dòng)速度的均 方根／ （mm/s） iiiiiiiv 0.28aaaa 0.45 0.71 1.12b 1.8b 2.8cb 4.5c

針對(duì)唐鋼煉鐵廠南區(qū)受卸除塵離心風(fēng)機(jī)的振動(dòng)故障進(jìn)行了診斷分析，找出使風(fēng)機(jī)產(chǎn)生振動(dòng)的原因是風(fēng)機(jī)葉片磨損，并介紹了用現(xiàn)場(chǎng)動(dòng)平衡法消除葉輪失衡的處理方案。

本文給出一種基于壓電傳感器的旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)測(cè)量系統(tǒng)設(shè)計(jì)方法,為消除信號(hào)處理電路對(duì)振動(dòng)信號(hào)頻率特性的影響,提出一種基于神經(jīng)網(wǎng)絡(luò)的信號(hào)處理電路頻率特性建模方法,根據(jù)該模型對(duì)測(cè)量通道進(jìn)行在線補(bǔ)償,大大提高了信號(hào)測(cè)量的精度。