基于SVM的氣閥故障診斷研究.pdf

1、氣閥是往復(fù)式壓縮機(jī)最為關(guān)鍵的設(shè)備之一，同時(shí)由于它在工作中頻繁地受到振動(dòng)與沖擊，使其故障率遠(yuǎn)高于其他部件，因此對(duì)氣閥開展故障診斷研究意義重大。氣閥的工作環(huán)境極其惡劣，并且故障形式多樣，大大增加了故障診斷的難度。傳統(tǒng)的故障診斷方法顯然已經(jīng)無法滿足企業(yè)對(duì)氣閥故障診斷的精度要求，基于人工智能的故障診斷方法將是未來的趨勢(shì)。
　　本文針對(duì)氣閥原始信號(hào)故障信息不明顯和噪聲干擾嚴(yán)重的問題，采用經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）方法將原始信號(hào)分解為多個(gè)平穩(wěn)的本

2、征模態(tài)函數(shù)（IMF），通過分析IMF分量在信號(hào)復(fù)雜程度上的變化，采用樣本熵特征描述這一故障信息，然后再對(duì)IMF作Hilbert變換，通過Hilbert譜分析振動(dòng)能量的變化，提出用能量特征表征該故障信息。由于氣閥故障數(shù)據(jù)有限，所以本文采用在小樣本的分類識(shí)別問題上具有良好表現(xiàn)的支持向量機(jī)（SVM）作為分類器。IMF的樣本熵和能量作為SVM的輸入項(xiàng)，再通過比較交叉驗(yàn)證、遺傳算法和粒子群優(yōu)化算法的參數(shù)優(yōu)化能力，選擇結(jié)果較優(yōu)的交叉驗(yàn)證作為本文在訓(xùn)

3、練SVM分類器的參數(shù)選擇方法。
　　本文末尾采用特征選擇方法剔除干擾特征和冗余特征來提高SVM的分類正確率，首先分別利用ReliefF權(quán)值和SVM的交叉驗(yàn)證正確率衡量特征的性能，再通過Pearson相關(guān)系數(shù)消除特征之間的冗余，然后按照序列向后選擇方法（SBS）搜索最優(yōu)特子集，最終在驗(yàn)證測(cè)試樣本的分類正確率上取得了不錯(cuò)的效果。與此同時(shí)，針對(duì)SVM的交叉驗(yàn)證正確率在評(píng)估特征性能時(shí)的不足，提出一種改進(jìn)的特征評(píng)估指標(biāo)，并用該指標(biāo)構(gòu)建敏感特