基于支持向量機(jī)與遺傳算法的故障模式識(shí)別及趨勢(shì)預(yù)測(cè)方法研究.pdf

1、本文開(kāi)展了基于支持向量機(jī)(SupportVectorMachine---SVM)與遺傳算法(GeneticAlgorithms--GA)的故障模式識(shí)別及趨勢(shì)預(yù)測(cè)方法研究，利用支持向量機(jī)對(duì)滾動(dòng)軸承典型故障進(jìn)行了模式識(shí)別，同時(shí)應(yīng)用預(yù)測(cè)模型對(duì)齒輪狀態(tài)趨勢(shì)進(jìn)行預(yù)測(cè)，并利用遺傳算法分別對(duì)支持向量機(jī)分類(lèi)過(guò)程和趨勢(shì)預(yù)測(cè)過(guò)程進(jìn)行了優(yōu)化分析，主要工作如下:
　　 (1)基于SVM可以解決小樣本學(xué)習(xí)問(wèn)題這一優(yōu)點(diǎn)，提出利用SVM對(duì)滾動(dòng)軸承在正常、內(nèi)圈

2、缺陷、外圈缺陷和滾動(dòng)體缺陷條件下工作的四種狀態(tài)信號(hào)進(jìn)行識(shí)別分類(lèi)，為了提高分類(lèi)識(shí)別率，利用遺傳算法具有優(yōu)良空間搜索性能的特點(diǎn)，對(duì)分類(lèi)過(guò)程中的兩個(gè)重要核參數(shù)初始值進(jìn)行優(yōu)化，提出了基于GA算法的改進(jìn)SVM識(shí)別方法，研究結(jié)果表明:核參數(shù)初始值經(jīng)過(guò)GA優(yōu)化后SVM分類(lèi)識(shí)別率得到了明顯提高，能較好地實(shí)現(xiàn)軸承典型故障類(lèi)型的識(shí)別。
　　 (2)為解決低轉(zhuǎn)速滾動(dòng)軸承故障特征難以提取的問(wèn)題，利用小波變換技術(shù)具有高低頻分離、局部細(xì)化和時(shí)頻域內(nèi)特征提取

3、等性能優(yōu)點(diǎn)，提出基于小波變換技術(shù)的低轉(zhuǎn)速滾動(dòng)軸承故障特征提取方法，對(duì)低轉(zhuǎn)速軸承正常、外圈缺陷、內(nèi)圈缺陷和滾動(dòng)體缺陷等四種狀態(tài)下的振動(dòng)信號(hào)進(jìn)行診斷分析，并結(jié)合SVM對(duì)軸承典型故障進(jìn)行了分類(lèi)識(shí)別，由分析結(jié)果可知，利用小波變換與支持向量機(jī)技術(shù)相結(jié)合的方法處理低轉(zhuǎn)速滾動(dòng)軸承故障問(wèn)題能夠取得很好的效果。
　　 (3)為了預(yù)測(cè)齒輪狀態(tài)趨勢(shì)發(fā)展?fàn)顩r，建立三階函數(shù)方程預(yù)測(cè)模型對(duì)齒輪趨勢(shì)發(fā)展進(jìn)行模擬分析研究，利用GA良好的空間搜索性，提出基于GA