基于改進(jìn)支持向量機(jī)和紋理圖像分析的旋轉(zhuǎn)機(jī)械故障診斷.pdf_第1頁
已閱讀1頁,還剩151頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、隨著機(jī)械設(shè)備不斷向高速化、重載化和復(fù)雜化方向發(fā)展,人們對其運(yùn)行可靠性和安全性的要求也越來越高。采用有效的模式識別方法實(shí)現(xiàn)機(jī)械設(shè)備的高精度智能故障診斷,對保障設(shè)備的高效運(yùn)行和安全生產(chǎn)具有重要意義。本文以軸承和刀具為對象,圍繞故障分類識別和故障特征提取這兩個核心問題,重點(diǎn)研究基于改進(jìn)支持向量機(jī)的故障分類方法和基于紋理分析的故障特征提取方法及其在工程實(shí)際中的應(yīng)用。本文研究內(nèi)容和成果主要體現(xiàn)在以下幾方面:
   1)基于支持向量機(jī)的智能

2、故障診斷方法是目前研究的熱點(diǎn)。為克服模型參數(shù)選擇隨意性對支持向量機(jī)分類性能的不利影響,提出了基于人工蜂群算法優(yōu)化的支持向量機(jī)故障分類方法,并將其應(yīng)用于滾動軸承的智能故障診斷。該方法以分類錯誤率的倒數(shù)作為適應(yīng)度函數(shù),利用人工蜂群算法對支持向量機(jī)參數(shù)進(jìn)行優(yōu)化選擇。通過UCI標(biāo)準(zhǔn)數(shù)據(jù)集驗(yàn)證,證明本文提出的方法兼顧了對局部最優(yōu)解和全局最優(yōu)解的搜索,克服了傳統(tǒng)優(yōu)化方法易陷入局部最優(yōu)解的缺陷,獲得了更高的識別正確率,并且在小數(shù)目分類問題上有效地降低

3、了搜索最優(yōu)參數(shù)所需的時間。將該方法應(yīng)用于實(shí)測軸承故障數(shù)據(jù)實(shí)驗(yàn),獲得了較高的故障識別正確率。
   2)刀具磨損狀態(tài)的自動識別是一種小樣本條件下的模式識別問題,在特定的加工條件下只能獲取非常有限的訓(xùn)練樣本。針對這一問題,提出一種基于改進(jìn)超球面支持向量機(jī)的故障分類方法,并將其應(yīng)用于刀具磨損狀態(tài)的自動識別。該方法提取切削力與振動信號中的多項(xiàng)特征,對各項(xiàng)特征分別進(jìn)行刀具磨損量相關(guān)性分析,選擇與刀具磨損變化量最相關(guān)的均值、均方根、小波系數(shù)

4、能量以及小波系數(shù)近似熵組成特征向量。在分類器方面,考慮到各類樣本的疏松程度不同,利用引力法對超球面支持向量機(jī)的決策函數(shù)進(jìn)行改進(jìn),經(jīng)過優(yōu)化分析得到最佳分類引力公式。采用改進(jìn)的超球面支持向量機(jī)作為分類器,實(shí)現(xiàn)了刀具磨損狀態(tài)的自動識別。實(shí)驗(yàn)證明,在小樣本學(xué)習(xí)情況下,基于改進(jìn)超球面支持向量機(jī)的刀具磨損狀態(tài)識別方法具有良好的學(xué)習(xí)和泛化能力,可獲得較高的識別正確率。
   3)作為故障信息多維特征提取方法的基礎(chǔ),首先對基于支持向量機(jī)的紋理分

5、析方法進(jìn)行研究。針對紋理圖像分割中的訓(xùn)練樣本自動獲取問題,提出了一種基于模糊C均值算法的支持向量機(jī)半監(jiān)督圖像分割方法。該方法首先采用改進(jìn)的Laws能量測度法對原始圖像進(jìn)行特征提取,對獲取的特征圖像進(jìn)行分塊處理以獲得若干窗口,采用模糊C均值算法對圖像平滑區(qū)域所在窗口的特征向量進(jìn)行分類并獲取類別標(biāo)記,將特征向量和獲取的類別標(biāo)記作為模糊支持向量機(jī)的訓(xùn)練樣本,從而實(shí)現(xiàn)了訓(xùn)練樣本的自動獲取。進(jìn)而利用訓(xùn)練好的模糊支持向量機(jī)對非平滑區(qū)域進(jìn)行精細(xì)分類。

6、最終將模糊C均值和模糊支持向量機(jī)的分類結(jié)果組合形成最終的分類結(jié)果圖像。采用隨機(jī)選取的Brodatz紋理集中的紋理圖像對上述算法進(jìn)行測試,得到了較高的分割正確率,從而驗(yàn)證了本文算法的有效性,并為下一章時頻分布圖二維故障特征提取算法的研究提供理論基礎(chǔ)。
   4)特征提取對故障診斷的分類結(jié)果具有至關(guān)重要的影響。S變換得到的等高線時頻圖和Hilbert-Huang變換得到的Hilbert譜時頻圖包含了豐富的二維圖像信息。在紋理圖像自動

7、分割方法的研究基礎(chǔ)上,探討了將圖像處理領(lǐng)域中的紋理分析方法應(yīng)用于一維信號時頻分布圖的故障特征提取問題。首先對灰度化的S變換等高線時頻圖和Hilbert譜時頻圖進(jìn)行二維離散小波變換,利用Laws能量測度法計(jì)算各頻道小波圖像的灰度均方差作為能量特征并組成特征向量,從而建立了有效的從一維原始信號到二維紋理圖像特征的映射模型。以支持向量機(jī)作為分類器,通過滾動軸承實(shí)測故障數(shù)據(jù)對上述方法進(jìn)行驗(yàn)證,實(shí)驗(yàn)結(jié)果證明了上述特征提取算法的有效性和可行性。

8、r>   5)針對目前國內(nèi)高檔數(shù)控機(jī)床對狀態(tài)監(jiān)測與故障診斷功能的需求,研究開發(fā)網(wǎng)絡(luò)架構(gòu)下機(jī)床整機(jī)智能監(jiān)測診斷試驗(yàn)平臺。重點(diǎn)針對筆者開發(fā)的強(qiáng)耦合狀態(tài)監(jiān)測單元信號采集技術(shù)、遠(yuǎn)程機(jī)床狀態(tài)監(jiān)測與故障診斷系統(tǒng)軟件功能以及實(shí)現(xiàn)二者無縫信息交互的TDNC-Connect傳輸協(xié)議三方面進(jìn)行闡述,構(gòu)建出嵌入支持向量機(jī)智能故障診斷方法的網(wǎng)絡(luò)架構(gòu)下機(jī)床整機(jī)智能監(jiān)測診斷試驗(yàn)平臺,一體化地實(shí)現(xiàn)高檔數(shù)控機(jī)床的狀態(tài)可顯示、性能可預(yù)報(bào)、故障可診斷、遠(yuǎn)程可監(jiān)控。最終在

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論