基于HVD和相關向量機的轉子多故障分類優(yōu)化.pdf

1、當代旋轉機械設備的自動化程度不斷提高，當某種設備發(fā)生故障時，容易引起較大程度上的停產，造成極大的經濟損失。當設備發(fā)生故障時，需要盡快對故障種類進行識別，有針對性地提出解決措施。在電站設備中，汽輪機轉子是最重要的生產設備之一，當轉子發(fā)生故障后，必須盡快根據故障信號進行故障種類的鑒別。針對轉子常見故障診斷進行了相關研究，提出一種基于 HVD和近似熵的轉子振動故障特征提取方法，并對基于二叉樹的相關向量機多分類系統(tǒng)進行了優(yōu)化。
　　首先針

2、對希爾伯特時頻分析法在信號處理過程中容易產生虛假分量的問題，提出以KL散度、互信息、相關系數為綜合指標的鑒定方法。該方法通過對各分量的綜合指標進行聚類，完成了真實與虛假分量的鑒別，提高了HVD的實用性。
　　其次，針對故障特征提取問題進行研究，提出了基于 HVD和近似熵結合的特征提取方法。利用轉子振動實驗臺模擬的故障數據作為研究對象提取特征向量，并通過計算特征向量構成的空間中各類故障之間的形心距和平均半徑和之差來衡量不同特征提取方

3、法對故障類別的區(qū)分能力。實驗結果顯示，近似熵相比于模糊熵和能量熵，具有較為明顯的優(yōu)越性。
　　最后，本文對基于二叉樹結構的多分類系統(tǒng)進行了研究，結果表明正態(tài)二叉樹結構的系統(tǒng)分類時間和效率都較高。由于分類器中正負類樣本的選取都會影響系統(tǒng)的最終性能，本文提出一種基于分數范數的高維空間度量指標，該指標可以有效衡量不同類樣本之間的可分性?；谠撝笜藢Ω鲗臃诸惼髡擃悩颖镜倪x取進行優(yōu)化，實驗結果表明優(yōu)化后的系統(tǒng)在分類精度上有了較為顯著的提高