本文關(guān)鍵詞：基于SVM的氣閥故障診斷研究

  更多相關(guān)文章： 氣閥 故障診斷 經(jīng)驗(yàn)?zāi)B(tài)分解 支持向量機(jī) 特征選擇

【摘要】：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。本文針對氣閥原始信號(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)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SVM的交叉驗(yàn)證正確率在評估特征性能時(shí)的不足,提出一種改進(jìn)的特征評估指標(biāo),并用該指標(biāo)構(gòu)建敏感特征子集和補(bǔ)充特征子集,最后通過測試樣本驗(yàn)證改進(jìn)指標(biāo)的有效性。
【關(guān)鍵詞】：氣閥 故障診斷 經(jīng)驗(yàn)?zāi)B(tài)分解 支持向量機(jī) 特征選擇
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TH45
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-17
• 1.1 研究工作的背景與意義10-11
• 1.2 設(shè)備故障診斷技術(shù)發(fā)展趨勢11
• 1.3 往復(fù)式壓縮機(jī)故障診斷技術(shù)研究現(xiàn)狀11-13
• 1.4 往復(fù)式壓縮機(jī)的常見故障和故障診斷方法13-15
• 1.4.1 往復(fù)式壓縮機(jī)的常見故障13
• 1.4.2 往復(fù)式壓縮機(jī)的故障診斷方法13-15
• 1.5 本論文的結(jié)構(gòu)安排15-17
• 第二章 支持向量機(jī)理論研究17-26
• 2.1 統(tǒng)計(jì)學(xué)習(xí)理論17-21
• 2.1.1 機(jī)器學(xué)習(xí)問題17-18
• 2.1.2 VC維18-19
• 2.1.3 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則19-21
• 2.2 支持向量機(jī)理論21-24
• 2.2.1 最優(yōu)分類超平面21-23
• 2.2.2 核函數(shù)23-24
• 2.3 支持向量機(jī)的多分類方法24-25
• 2.3.1 一對多方法24-25
• 2.3.2 一對一方法25
• 2.4 本章小結(jié)25-26
• 第三章 往復(fù)式壓縮機(jī)氣閥振動(dòng)信號(hào)分析26-39
• 3.1 氣閥故障數(shù)據(jù)26-27
• 3.2 EMD方法27-29
• 3.2.1 本征模態(tài)函數(shù)27
• 3.2.2 EMD理論27-29
• 3.3 EMD的端點(diǎn)效應(yīng)29-35
• 3.3.1 端點(diǎn)效應(yīng)的概念29-30
• 3.3.2 抑制EMD端點(diǎn)效應(yīng)的方法30-32
• 3.3.3 鏡像閉合延拓方法的應(yīng)用32-35
• 3.4 Hilbert變換35-36
• 3.5 氣閥故障信號(hào)的Hilbert譜分析36-38
• 3.6 本章小結(jié)38-39
• 第四章 支持向量機(jī)在氣閥故障診斷中的應(yīng)用39-51
• 4.1 基于能量的特征提取39-42
• 4.1.1 提取步驟39-40
• 4.1.2 實(shí)例驗(yàn)證40-42
• 4.2 基于樣本熵的特征提取42-45
• 4.2.1 提取步驟42-43
• 4.2.2 實(shí)例驗(yàn)證43-45
• 4.3 基于SVM的氣閥故障識(shí)別45-50
• 4.3.1 基于交叉驗(yàn)證的參數(shù)優(yōu)化45-47
• 4.3.2 基于遺傳算法的參數(shù)優(yōu)化47-48
• 4.3.3 基于粒子群優(yōu)化算法的參數(shù)優(yōu)化48-50
• 4.3.4 結(jié)果比較50
• 4.4 本章小結(jié)50-51
• 第五章 基于支持向量機(jī)的特征選擇在氣閥故障診斷中的應(yīng)用51-71
• 5.1 特征選擇的框架51-56
• 5.1.1 子集生成52-53
• 5.1.2 子集評價(jià)53-56
• 5.1.3 停止條件56
• 5.1.4 結(jié)果驗(yàn)證56
• 5.2 基于ReliefF-SBS的特征選擇方法56-62
• 5.2.1 ReliefF算法56-57
• 5.2.2 特征選擇流程57-58
• 5.2.3 實(shí)例驗(yàn)證58-62
• 5.3 基于SVM-SBS的特征選擇方法62-65
• 5.3.1 方法介紹62-63
• 5.3.2 實(shí)例驗(yàn)證63-65
• 5.4 改進(jìn)的基于SVM-SBS的特征選擇方法65-70
• 5.4.1 改進(jìn)措施65-66
• 5.4.2 實(shí)例驗(yàn)證66-70
• 5.5 本章小結(jié)70-71
• 第六章 總結(jié)與展望71-73
• 6.1 全文總結(jié)71
• 6.2 后續(xù)工作展望71-73
• 致謝73-74
• 參考文獻(xiàn)74-77

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐高歡;;SVM在教師教學(xué)質(zhì)量評價(jià)中的應(yīng)用[J];浙江水利水電�？茖W(xué)校學(xué)報(bào);2007年01期

2 王蒙;傅行軍;;基于參數(shù)優(yōu)化SVM的旋轉(zhuǎn)機(jī)械故障診斷[J];江蘇電機(jī)工程;2008年01期

3 孫穎;劉玉滿;龔穩(wěn);;基于SVM的多傳感器信息融合[J];長春工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年03期

4 彭磊;高峰;任立華;黃真輝;;基于SVM的混沌時(shí)間序列預(yù)測模型應(yīng)用研究[J];工程勘察;2013年09期

5 劉海松;吳杰長;陳國鈞;;克隆選擇優(yōu)化的SVM模擬電路故障診斷方法[J];電子測量與儀器學(xué)報(bào);2010年12期

6 劉永斌;何清波;張平;孔凡讓;;基于SVM的旋轉(zhuǎn)機(jī)械故障診斷方法[J];計(jì)算機(jī)工程;2012年05期

7 曹鵬;李博;劉鑫;趙大哲;;基于代價(jià)敏感SVM優(yōu)化組合算法的微鈣化簇識(shí)別[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年08期

8 郭有貴;曾萍;朱建林;;交-交矩陣變換器SVM的新穎調(diào)制模式(英文)[J];系統(tǒng)仿真學(xué)報(bào);2009年22期

9 宋國明;王厚軍;姜書艷;劉紅;;一種聚類分層決策的SVM模擬電路故障診斷方法[J];儀器儀表學(xué)報(bào);2010年05期

10 宋國明;王厚軍;劉紅;姜書艷;;基于提升小波變換和SVM的模擬電路故障診斷[J];電子測量與儀器學(xué)報(bào);2010年01期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 滕衛(wèi)平;胡波;滕舟;鐘元;;SVM回歸法在西太平洋熱帶氣旋路徑預(yù)報(bào)中的應(yīng)用研究[A];S1 災(zāi)害天氣研究與預(yù)報(bào)[C];2012年

2 王紅軍;徐小力;付瑤;;基于SVM的旋轉(zhuǎn)機(jī)械故障診斷知識(shí)獲取[A];第八屆全國設(shè)備與維修工程學(xué)術(shù)會(huì)議、第十三屆全國設(shè)備監(jiān)測與診斷學(xué)術(shù)會(huì)議論文集[C];2008年

3 陳兆基;楊宏暉;杜方鍵;;用于水下目標(biāo)識(shí)別的選擇性SVM集成算法[A];中國聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2011年全國水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2011年

4 程麗麗;張健沛;楊靜;馬駿;;一種改進(jìn)的層次SVM多類分類方法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

5 左南;李涓子;唐杰;;基于SVM的肖像照片抽取[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

6 寧偉;苗雪雷;胡永華;季鐸;張桂平;蔡?hào)|風(fēng);;基于SVM的無參考譯文的譯文質(zhì)量評測[A];機(jī)器翻譯研究進(jìn)展——第四屆全國機(jī)器翻譯研討會(huì)論文集[C];2008年

7 劉旭;羅鵬飛;李綱;;基于擬合角特征及SVM的雷達(dá)輻射源個(gè)體識(shí)別[A];全國第五屆信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議�？�(第一冊)[C];2011年

8 羅浩;謝軍龍;胡云鵬;;地源熱泵空調(diào)系統(tǒng)故障診斷中SVM的應(yīng)用[A];全國暖通空調(diào)制冷2008年學(xué)術(shù)年會(huì)資料集[C];2008年

9 劉閃電;王建東;;權(quán)重部分更新的大規(guī)模線性SVM求解器[A];2009年研究生學(xué)術(shù)交流會(huì)通信與信息技術(shù)論文集[C];2009年

10 王艦;湯光明;;基于SVM的圖像隱寫檢測分析[A];第八屆全國信息隱藏與多媒體安全學(xué)術(shù)大會(huì)湖南省計(jì)算機(jī)學(xué)會(huì)第十一屆學(xué)術(shù)年會(huì)論文集[C];2009年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 陳志茹;基于SVM集成學(xué)習(xí)的miRNA靶基因預(yù)測研究[D];燕山大學(xué);2015年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 楊劉;基于PCA與SVM的地力評價(jià)研究[D];中南林業(yè)科技大學(xué);2015年

2 伍岳;基于SVM的文本分類應(yīng)用研究[D];電子科技大學(xué);2014年

3 高傳嵩;基于SVM文本分類的問答系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];南京大學(xué);2014年

4 馮天嬌;基于肝臟表觀模型和優(yōu)化SVM的肝癌識(shí)別方法的研究與實(shí)現(xiàn)[D];東北大學(xué);2013年

5 姚磊;基于SVM主動(dòng)學(xué)習(xí)的音樂分類[D];南京郵電大學(xué);2015年

6 毛曉東;基于多層SVM的面筋強(qiáng)度分類模型優(yōu)化研究[D];黑龍江大學(xué);2014年

7 馬琰;一種基于SVM和多源數(shù)據(jù)的金絲猴生境評價(jià)研究[D];中國林業(yè)科學(xué)研究院;2015年

8 王立達(dá);基于混合核函數(shù)的SVM及其應(yīng)用研究[D];大連海事大學(xué);2016年

9 李同同;基于SVM安瓿藥液雜質(zhì)檢測與識(shí)別算法的研究[D];廣東工業(yè)大學(xué);2016年

10 林志杰;基于二叉平衡決策樹的SVM多分類算法的改進(jìn)[D];福州大學(xué);2014年

，

本文編號(hào)：1096415