本文關(guān)鍵詞：基于第二代小波和多分類器融合的感應(yīng)電機(jī)故障診斷

  更多相關(guān)文章： 感應(yīng)電機(jī)故障診斷 二代小波變換 自適應(yīng)冗余二代小波變換 特征選擇 多分類器集成

【摘要】：感應(yīng)電機(jī)作為生產(chǎn)系統(tǒng)中的重要組成部分,在國民經(jīng)濟(jì)中占有舉足輕重的地位,它是當(dāng)今用于驅(qū)動(dòng)各種機(jī)械和工業(yè)設(shè)備的最主要裝置,其廣泛應(yīng)用于機(jī)床、起重卷揚(yáng)設(shè)備、礦山設(shè)備等,幾乎滲透到了各行各業(yè)。然而,一旦電機(jī)發(fā)生故障,將會(huì)影響生產(chǎn)設(shè)備的整體性能,耽誤生產(chǎn)效率,拖延產(chǎn)品交付,造成經(jīng)濟(jì)損失,嚴(yán)重時(shí)甚至?xí)斐蔀?zāi)難性的事故。因此,為了滿足現(xiàn)代工業(yè)對產(chǎn)品質(zhì)量、產(chǎn)量、生產(chǎn)安排的靈活性等日益增長的需求,研究感應(yīng)電機(jī)的狀態(tài)檢測與故障診斷技術(shù),對于保障生產(chǎn)系統(tǒng)的安全運(yùn)行和減少生產(chǎn)損失具有重要的意義,且已成為當(dāng)前科技和工業(yè)發(fā)展的重要研究課題之一。感應(yīng)電機(jī)發(fā)生故障位置多,故障現(xiàn)象復(fù)雜,需要科學(xué)有效的方法對電機(jī)運(yùn)行時(shí)產(chǎn)生的大量的非平穩(wěn)信號進(jìn)行分析,從而對電機(jī)的故障狀況進(jìn)行判斷。近年來迅速發(fā)展的非平穩(wěn)信號處理方法和信息融合技術(shù)為感應(yīng)電機(jī)狀態(tài)檢測與故障診斷提供了切實(shí)有效的研究思路。本文著重研究了融合第二代小波變換、特征降維和多分類器集成的感應(yīng)電機(jī)故障診斷技術(shù)和實(shí)現(xiàn)方法,主要工作和研究成果歸納如下：(1)介紹了小波分析的基本理論和二代小波變換方法,并且針對二代小波存在的頻率混疊和無法自適應(yīng)匹配信號局部特征的問題,提出了一種自適應(yīng)的冗余二代小波變換,根據(jù)信號本身的特點(diǎn)自適應(yīng)地對其進(jìn)行二代小波變換分解。(2)研究了感應(yīng)電機(jī)在故障狀態(tài)下定子電流和振動(dòng)信號中所隱含的故障頻率特性,并利用自適應(yīng)冗余二代小波變換對信號進(jìn)行處理及特征提取。研究了高維特征降維方法并在介紹幾種常見的特征選取方法基礎(chǔ)上,著重研究了基于流形學(xué)習(xí)的多類特征選擇算法(Multiple Class Feature Selection, MCFS),利用MCFS算法去除特征矢量中冗余的多余特征。(3)研究基于多分類器集成的感應(yīng)電機(jī)故障診斷方法,通過對電機(jī)定子電流信號和振動(dòng)信號提取出來的特征綜合處理和協(xié)同分析,構(gòu)造了自適應(yīng)權(quán)重投票的多分類器融合算法：分別構(gòu)造分類器,得到每個(gè)分類器的故障分類結(jié)果后,對測試樣本和訓(xùn)練樣本進(jìn)行聚類分析,根據(jù)聚類結(jié)果針對每一測試樣本調(diào)整各分類器的權(quán)重,從而組合決策出測試樣本的故障類型。(4)實(shí)驗(yàn)驗(yàn)證了融合二代小波變換、特征降維和多分類器集成的感應(yīng)電機(jī)故障診斷方法的可行性和有效性；將特征降維前后的特征矢量輸入分類器,對結(jié)果進(jìn)行對比,以驗(yàn)證MCFS特征選擇算法對感應(yīng)電機(jī)故障分類效果的提升效果；對于本文提出的自適應(yīng)權(quán)重多分類器融合方法,實(shí)驗(yàn)中設(shè)計(jì)了一種分類器多種特征、多種分類器一種特征、多種分類器多種特征三種融合方式,分別得到融合結(jié)果。實(shí)驗(yàn)結(jié)果顯示,本文所提出的融合二代小波變換、特征降維和多分類器集成的感應(yīng)電機(jī)故障診斷方法能夠有效的提升診斷的效果。
【關(guān)鍵詞】：感應(yīng)電機(jī)故障診斷 二代小波變換 自適應(yīng)冗余二代小波變換 特征選擇 多分類器集成
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TM346
【目錄】：

• 摘要4-5
• Abstract5-10
• 第一章 緒論10-20
• 1.1 課題的研究背景與意義10
• 1.2 感應(yīng)電機(jī)故障診斷技術(shù)的研究內(nèi)容10-11
• 1.3 國內(nèi)外研究現(xiàn)狀11-18
• 1.3.1 電機(jī)常用的故障診斷方法11-12
• 1.3.2 信號特征提取技術(shù)研究現(xiàn)狀12-14
• 1.3.3 小波變換的發(fā)展及其在故障診斷中的研究現(xiàn)狀14-16
• 1.3.4 特征降維技術(shù)研究現(xiàn)狀16-17
• 1.3.5 多分類器融合技術(shù)研究現(xiàn)狀17-18
• 1.4 本文的主要研究內(nèi)容與章節(jié)安排18-20
• 第二章 第二代小波變換及特征選擇方法研究20-51
• 2.1 小波分析理論20-22
• 2.1.1 小波分析簡介20
• 2.1.2 小波變換20-21
• 2.1.3 離散小波變換21
• 2.1.4 小波包分解21-22
• 2.2 第二代小波變換方法22-36
• 2.2.1 第二代小波簡介22
• 2.2.2 第二代小波變換方法22-31
• 2.2.3 第二代小波變換的頻率混疊問題及其抑制方法31-36
• 2.3 第二代小波變換的自適應(yīng)算法36-40
• 2.3.1 第二代小波變換算法的局限性36-37
• 2.3.2 空間自適應(yīng)冗余第二代小波變換37-40
• 2.4 基于ARSGWPT的感應(yīng)電機(jī)故障特征提取40-43
• 2.4.1 定子電流故障特征提取40-41
• 2.4.2 振動(dòng)信號故障特征提取41-43
• 2.5 基于流形學(xué)習(xí)的感應(yīng)電機(jī)故障特征選擇43-50
• 2.5.1 特征降維方法概述43-46
• 2.5.2 圖譜回歸分析46-47
• 2.5.3 稀疏子空間學(xué)習(xí)47-49
• 2.5.4 多類特征選擇算法49-50
• 2.6 本章小結(jié)50-51
• 第三章 感應(yīng)電機(jī)故障診斷中信息融合技術(shù)研究51-64
• 3.1 信息融合概述51-53
• 3.2 決策層融合算法概述53
• 3.3 常用的決策層融合算法53-57
• 3.4 基于自適應(yīng)權(quán)重投票的多分類器融合算法57-60
• 3.5 多分類器融合算法仿真實(shí)驗(yàn)60-63
• 3.6 本章小結(jié)63-64
• 第四章 基于ARSGWPT和多分類器融合的感應(yīng)電機(jī)故障診斷64-84
• 4.1 診斷流程64-65
• 4.2 故障模式識別分類器65-69
• 4.2.1 隨機(jī)森林65-66
• 4.2.2 支持向量機(jī)66-68
• 4.2.3 BP神經(jīng)網(wǎng)絡(luò)68-69
• 4.3 感應(yīng)電機(jī)數(shù)據(jù)實(shí)驗(yàn)配置69-70
• 4.4 基于ARSGWPT的感應(yīng)電機(jī)故障特征提取70-75
• 4.4.1 振動(dòng)信號故障特征提取71-73
• 4.4.2 定子電流信號故障特征提取73-75
• 4.5 特征選擇算法MCFS對電機(jī)故障分類效果影響研究75-78
• 4.6 多分類器融合算法對電機(jī)故障分類效果影響研究78-82
• 4.6.1 一種分類器多種特征的分類器融合實(shí)驗(yàn)78-79
• 4.6.2 一種特征多種分類器的分類器融合實(shí)驗(yàn)79-81
• 4.6.3 多種分類器多種特征的分類器融合實(shí)驗(yàn)81-82
• 4.7 本章小結(jié)82-84
• 第五章 結(jié)論與展望84-86
• 5.1 本文工作總結(jié)84-85
• 5.2 未來展望85-86
• 致謝86-87
• 參考文獻(xiàn)87-96
• 作者簡介96

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳剛,戚飛虎;多分類器結(jié)合的人臉識別[J];上海交通大學(xué)學(xué)報(bào);2001年02期

2 韓宏,楊靜宇,婁震;基于層次的分類器組合[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年01期

3 趙誼虹,程國華,史習(xí)智;多分類器融合中一種新的加權(quán)算法[J];上海交通大學(xué)學(xué)報(bào);2002年06期

4 王衛(wèi)東;鄭宇杰;楊靜宇;;智能分類器方法[J];江蘇科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年01期

5 鐘將;馮永;李志國;葉春曉;;基于自適應(yīng)免疫分類器的入侵檢測[J];重慶大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年07期

6 葉云龍;楊明;;基于隨機(jī)子空間的多分類器集成[J];南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版);2008年04期

7 趙洋;冀俊忠;李文斌;;基于復(fù)雜網(wǎng)絡(luò)的分類器融合[J];科學(xué)技術(shù)與工程;2008年14期

8 夏俊;劉金梅;;不同分類器在遙感數(shù)據(jù)分類中的性能比較[J];價(jià)值工程;2013年04期

9 ;邏輯設(shè)計(jì)講座——第八講 標(biāo)志信號和標(biāo)志分類器[J];貴州機(jī)械;1979年04期

10 N.B.Venkateswarlu ,P.S.V.S.K.Raju ,艾東;一種新的遙感影象快速分類器[J];干旱區(qū)地理;1993年04期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 王占一;徐蔚然;劉東鑫;郭軍;;一種基于兩級分類器的垃圾短信過濾方法[A];第五屆全國信息檢索學(xué)術(shù)會(huì)議論文集[C];2009年

2 翟靜;李海宏;唐常杰;陳敏敏;李智;;可驗(yàn)證對象集分類器的再訓(xùn)練演進(jìn)[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2002年

3 陳繼航;劉家鋒;趙巍;唐降龍;;聯(lián)機(jī)手寫識別筆段特征分類器的學(xué)習(xí)方法[A];黑龍江省計(jì)算機(jī)學(xué)會(huì)2009年學(xué)術(shù)交流年會(huì)論文集[C];2010年

4 穆明生;;基于特征集的多種分類器模型的在線筆跡認(rèn)證[A];第十屆全國信號處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

5 彭濤;左萬利;赫楓齡;;基于鏈接上下文的分類器主題爬行技術(shù)(英文)[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2006年

6 王嵐;陳珂;遲惠生;;基于多特征組合多分類器的方法用于“與文本無關(guān)”的說話人辨認(rèn)[A];第四屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集[C];1996年

7 謝秋玲;;應(yīng)用于心電圖分類的KNN-SVM分類器研究[A];2006中國控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

8 胡瓊;汪榮貴;胡韋偉;孫見青;;基于級聯(lián)分類器的快速人臉檢測方法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

9 李蘭春;王雙成;杜瑞杰;;認(rèn)知結(jié)構(gòu)評估的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)分類器方法[A];2011年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊）[C];2011年

10 邵小健;段華;賀國平;;一種改進(jìn)的最少核分類器[A];中國運(yùn)籌學(xué)會(huì)第七屆學(xué)術(shù)交流會(huì)論文集（上卷）[C];2004年

中國重要報(bào)紙全文數(shù)據(jù)庫 前1條

1 黃明;精子分類器決定生男生女[N];廣東科技報(bào);2000年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 張非;對抗逃避攻擊的防守策略研究[D];華南理工大學(xué);2015年

2 張文博;多類別智能分類器方法研究[D];西安電子科技大學(xué);2014年

3 許勁松;智能交通中目標(biāo)檢測與分類關(guān)鍵技術(shù)研究[D];南京理工大學(xué);2014年

4 余家林;普通場景視頻人臉檢測與識別的關(guān)鍵技術(shù)研究[D];浙江大學(xué);2016年

5 劉明;分類器組合技術(shù)研究及其在人機(jī)交互系統(tǒng)中的應(yīng)用[D];北京交通大學(xué);2008年

6 嚴(yán)志永;在劃分?jǐn)?shù)據(jù)空間的視角下基于決策邊界的分類器研究[D];浙江大學(xué);2011年

7 王U，

本文編號：609560