【摘要】：支持向量數(shù)據(jù)描述(Support vector data description,SVDD)是一種不同于傳統(tǒng)模式分類的方法。傳統(tǒng)的模式分類方法一般需要利用兩類樣本(或多類樣本),通過兩類樣本共同確定了決策邊界。大多數(shù)傳統(tǒng)的分類器都對數(shù)據(jù)的平衡度有或多或少的要求,當(dāng)其中一類樣本數(shù)據(jù)很少甚至完全沒有時其表現(xiàn)很不理想。而SVDD只需要一類樣本就可以建立分類器并將目標樣本和非目標樣本區(qū)分開來。而對于一些關(guān)鍵設(shè)備來說,是不允許發(fā)生故障的,或者說故障率很低。將SVDD應(yīng)用于機械故障診斷和狀態(tài)監(jiān)測中,將有望解決傳統(tǒng)模式識別方法在缺少故障樣本時所遇到的問題。 1.介紹了SVDD的基本理論和算法,并在計算中利用核函數(shù)代替內(nèi)積來提高分類器的靈活性。 2.針對經(jīng)驗?zāi)B(tài)分解在處理非平穩(wěn)信號時的優(yōu)點,利用經(jīng)驗?zāi)B(tài)分解對信號進行分解,提取各頻帶的能量作為特征向量,并用于訓(xùn)練和測試SVDD,實驗證明該方法能很好地保留原信號的特征,取得很好的分類效果。 3.當(dāng)具有少量故障樣本的時候,我們既可以建立傳統(tǒng)的兩分類器又可以建立SVDD分類器。但是SVDD僅利用了正常樣本,而且當(dāng)故障樣本較少且不能代表故障的典型分布的時候,傳統(tǒng)的二分類器又很難取得較好的表現(xiàn)。因此本文研究了一種改進的SVDD——具有故障樣本的SVDD在故障診斷中的應(yīng)用,并通過對滾動軸承實驗數(shù)據(jù)的分析,證明了該方法可以有效提高故障診斷的精度。 4.介紹了單分類方法中的三種主要理論:密度估計法、邊界法和重構(gòu)法。并評價和對比了這些方法在處理不同數(shù)據(jù)集時的表現(xiàn)。通過對比可知,密度估計法對數(shù)據(jù)做出了最完整的描述,但是卻可能需要過多的樣本;當(dāng)樣本數(shù)目較少時應(yīng)優(yōu)先考慮對數(shù)據(jù)的邊界進行描述的邊界法,特別是SVDD;最后,重構(gòu)法根據(jù)數(shù)據(jù)的分布模型定義一個距離或重構(gòu)誤差,這個模型能夠包含額外的和該問題有關(guān)的先驗知識。
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2009
【分類號】：TH165.3
【圖文】：

為了驗證上述方法的有效性，對滾動軸承實驗臺上的軸承故障數(shù)據(jù)進行分析，實驗數(shù)據(jù)來自美國 easewestemReserveuniversity電氣工程實驗室[6，]。實驗裝置如圖3一1所示。它包括四部分:1.skw的電動機、扭矩傳感器、功率計和電子控制裝置，圖中從左至右依次是其前三部分，電子控制裝置在圖中沒有顯示。測試軸承是用來支撐電動機軸的。利用電火花加工的方法在測試軸承上產(chǎn)生不同故障等級(故障直徑分別為0.18~、0.36mm和0.53~，一記為1、2和3級故障)的內(nèi)圈故障、滾動體故障和外圈滾道故障。然后利用附著在外殼上的具有磁性基座的加速度傳感器來收集各種工況下的振動數(shù)據(jù)(包括空載、輕載、滿載和超載，其對應(yīng)的功率分別為okw、0.75kw、 1.skw、2.25kw)。加速度傳感器被安裝在電機的驅(qū)動端和風(fēng)扇端豎直方向的外殼上。在部分實驗中，還在電動機的支座上安裝一個加速度傳感器。振動信號通過一個16通道的采集器來一記錄，并在Matlab壞境中進行后處理。所有的數(shù)據(jù)文件都被保存成Matlab格式。數(shù)據(jù)的采樣頻率為12k，同時還以48k的采樣頻率采集了驅(qū)動端軸承的故障數(shù)據(jù)，并利用扭矩傳感器收集轉(zhuǎn)速和功率數(shù)據(jù)。圖3一1試驗裝置結(jié)構(gòu)圖電機的轉(zhuǎn)速隨負載的不同而出現(xiàn)小幅的波動

【參考文獻】

相關(guān)期刊論文 前10條

1 王小平,沈玉娣;支持向量機在軸承故障診斷中的應(yīng)用[J];機床與液壓;2003年04期

2 吳凡;;狀態(tài)監(jiān)測和故障診斷技術(shù)的現(xiàn)狀與展望[J];國外電子測量技術(shù);2006年03期

3 胡壽松,王源;基于支持向量機的非線性系統(tǒng)故障診斷[J];控制與決策;2001年05期

4 王翔,李伯全;機械產(chǎn)品智能化故障診斷技術(shù)研究現(xiàn)狀與展望[J];機械;2002年02期

5 田盛豐,黃厚寬,李洪波;基于支持向量機的手寫體相似字識別[J];中文信息學(xué)報;2000年03期

6 樊長博;張來斌;王朝暉;冀樹德;;基于EMD與功率譜分析的滾動軸承故障診斷方法研究[J];機械強度;2006年04期

7 王奉濤,馬孝江,鄒巖],張志新;基于小波包分解的頻帶局部能量特征提取方法[J];農(nóng)業(yè)機械學(xué)報;2004年05期

8 胡磊,喬立安,公衍道,趙南明;利用支持向量機預(yù)測II類MHC分子結(jié)合多肽[J];生物物理學(xué)報;2001年04期

9 王榮杰;胡清;;基于知識的故障診斷方法的發(fā)展現(xiàn)狀與展望[J];微計算機信息;2006年07期

10 張周鎖,李凌均,何正嘉;基于支持向量機的機械故障診斷方法研究[J];西安交通大學(xué)學(xué)報;2002年12期

相關(guān)博士學(xué)位論文 前1條

1 焦衛(wèi)東;基于獨立分量分析的旋轉(zhuǎn)機械故障診斷方法研究[D];浙江大學(xué);2003年

相關(guān)碩士學(xué)位論文 前2條

1 李自國;基于支持向量數(shù)據(jù)描述的故障診斷方法研究[D];鄭州大學(xué);2007年

2 駱名劍;基于ROC的分類算法評價方法[D];武漢科技大學(xué);2005年

本文編號：2803567