基于小波包和支持向量機的旋轉機械故障診斷方法研究.pdf

1、旋轉機械是工業(yè)部門中應用最為廣泛的一類機械設備,大型旋轉機械故障診斷的研究對于避免巨額的經(jīng)濟損失和災難事故的發(fā)生有著重要的意義。本文以支持向量機為理論基礎,結合江西省自然科學基金項目“基于支持向量機設備故障智能診斷方法中若干關鍵問題研究(0650054)”對智能故障診斷方法進行了研究。以旋轉機械為研究對象,研究了支持向量機理論和算法,以及基于支持向量機的旋轉機械故障模式分類方法,并通過仿真進行驗證;設計了旋轉機械振動數(shù)據(jù)采集系統(tǒng),在Ma

2、tlab平臺上構建了基于支持向量機的旋轉機械故障模式分類原型系統(tǒng)進行了實例分析。論文的主要研究內容如下:
　　1、論述了課題研究的背景和意義,綜述了支持向量機的理論研究和應用發(fā)展,以及應用于機械故障診斷領域的可行性、優(yōu)勢及存在的不足,最后給出了本文的主要研究內容。
　　2、介紹和分析了機器學習、統(tǒng)計學習理論的主要內容和支持向量機算法的基本思想,并將支持向量機引入機械故障診斷領域,給出了支持向量機應用于機械故障診斷的基本步驟和

3、方法。
　　3、針對標準支持向量機不能直接用于解決故障診斷這種典型多值分類問題的不足,論文提出了采用決策有向無環(huán)圖的多值分類算法,建立了多故障分類器模型和算法。
　　4、故障分類器的分類性能與支持向量機核函數(shù)參數(shù)有很大的關系,本文研究了以Fisher判別準則為目標函數(shù)的核函數(shù)參數(shù)優(yōu)化原理,提出了基于Fisher判別準則和改進遺傳算法相結合的核函數(shù)的參數(shù)優(yōu)化方法。該方法采用改進遺傳算法對核參數(shù)進行優(yōu)化,從而找出核參數(shù)的全局最優(yōu)