本文關(guān)鍵詞：基于支持向量數(shù)據(jù)描述的滾動軸承故障診斷方法研究　出處：《湖南大學(xué)》2012年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 支持向量數(shù)據(jù)描述 滾動軸承 故障診斷 局部均值分解 包絡(luò)譜

【摘要】：機(jī)械故障診斷實(shí)質(zhì)上是一個小樣本的模式識別問題。在實(shí)際工程應(yīng)用中，故障數(shù)據(jù)的缺乏一直是制約智能故障診斷技術(shù)發(fā)展的一個重要因素，使得傳統(tǒng)的智能診斷技術(shù)諸如神經(jīng)網(wǎng)絡(luò)等往往因訓(xùn)練樣本數(shù)據(jù)的不足而不能取得理想的診斷效果。 支持向量數(shù)據(jù)描述（Support Vector Data Description，SVDD）方法是一種在統(tǒng)計(jì)學(xué)理論和傳統(tǒng)的支持向量機(jī)基礎(chǔ)上發(fā)展起來的單值分類方法，它能有效的解決故障樣本數(shù)據(jù)缺乏的問題。SVDD方法的基本思想是：通過在特征空間中尋求一個最小容積的超球體，使得所有的或者絕大部分的目標(biāo)樣本都被包含在該超球體內(nèi)，而非目標(biāo)樣本盡可能都落在超球體外，從而達(dá)到將目標(biāo)類樣本和非目標(biāo)類樣本分開的目的。SVDD方法只需要一類樣本數(shù)據(jù)即可進(jìn)行分類，這種方法具有計(jì)算速度快、可有效處理小樣本、魯棒性強(qiáng)等優(yōu)點(diǎn)。利用這種方法，僅依靠正常運(yùn)行時的振動信號就可以監(jiān)測機(jī)器的運(yùn)行狀態(tài)，判別機(jī)器是否存在故障。因此，SVDD方法在工程應(yīng)用中具有極高的實(shí)用價(jià)值，有望解決智能故障診斷中因故障數(shù)據(jù)樣本缺乏而不能精準(zhǔn)判定故障的問題。 本文的主要研究內(nèi)容包括： （1）核函數(shù)在SVDD方法中有著十分重要的作用，本文對核函數(shù)進(jìn)行了研究。通過仿真實(shí)驗(yàn)分析表明，使用高斯核函數(shù)時，SVDD方法的檢測精度最高。 （2）對LMD方法和EMD方法進(jìn)行了對比研究。通過分析，LMD方法在減少迭代次數(shù)和降低端點(diǎn)效應(yīng)方面要優(yōu)于EMD方法。 （3）提出了一種基于SVDD與LMD奇異值的滾動軸承故障診斷方法，，在實(shí)際應(yīng)用中，該方法能有效的對滾動軸承進(jìn)行故障判定。 （4）提出了一種基于SVDD與LMD包絡(luò)譜的滾動軸承故障診斷方法。利用這種方法能有效地對滾動軸承的運(yùn)行狀態(tài)進(jìn)行監(jiān)測，準(zhǔn)確判定滾動軸承是否存在故障。
[Abstract]:Mechanical fault diagnosis is a kind of pattern recognition problem of small sample . In practical engineering application , the lack of fault data has been an important factor restricting the development of intelligent fault diagnosis technology . Support Vector Data Description ( SVDD ) method is a single - valued classification method developed on the basis of statistical theory and traditional support vector machine . It can effectively solve the problem of lack of sample data . The main research contents of this paper include : ( 1 ) The kernel function plays an important role in SVDD method . The kernel function is studied in this paper . The simulation results show that the detection accuracy of SVDD method is the highest when using Gaussian kernel function . ( 2 ) The LMD method and EMD method are compared . The LMD method is superior to EMD method in reducing the number of iterations and reducing the end point effect . ( 3 ) A rolling bearing fault diagnosis method based on SVDD and LMD singular value is proposed . In practical application , this method can effectively determine the fault of rolling bearing . ( 4 ) A fault diagnosis method of rolling bearing based on SVDD and LMD envelope spectrum is presented .

【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2012
【分類號】：TH165.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何曉霞,沈玉娣,張西寧;連續(xù)小波變換在滾動軸承故障診斷中的應(yīng)用[J];機(jī)械科學(xué)與技術(shù);2001年04期

2 程軍圣,于德介,楊宇;基于EMD的能量算子解調(diào)方法及其在機(jī)械故障診斷中的應(yīng)用[J];機(jī)械工程學(xué)報(bào);2004年08期

3 王華忠,俞金壽;核函數(shù)方法及其在過程控制中的應(yīng)用[J];石油化工自動化;2005年01期

4 袁淑芳,張金亮;滾動軸承的故障檢測[J];計(jì)量技術(shù);1998年06期

5 程光友;;時域指標(biāo)在滾動軸承故障診斷中的應(yīng)用[J];中國設(shè)備工程;2005年12期

6 李凌均,張周鎖,何正嘉;基于支持向量數(shù)據(jù)描述的機(jī)械故障診斷研究[J];西安交通大學(xué)學(xué)報(bào);2003年09期

7 譙虹;賀昌政;;我國上市公司虛假財(cái)務(wù)報(bào)告的GMDH識別模型[J];軟科學(xué);2007年01期

8 王培良;葛志強(qiáng);宋執(zhí)環(huán);;基于迭代多模型ICA-SVDD的間歇過程故障在線監(jiān)測[J];儀器儀表學(xué)報(bào);2009年07期

9 程軍圣;張亢;楊宇;于德介;;局部均值分解與經(jīng)驗(yàn)?zāi)Ｊ椒纸獾膶Ρ妊芯縖J];振動與沖擊;2009年05期

10 陶新民;杜寶祥;徐勇;;基于HOS奇異值譜的SVDD軸承故障檢測方法[J];振動工程學(xué)報(bào);2008年02期

相關(guān)碩士學(xué)位論文 前2條

1 張晨罡;基于經(jīng)驗(yàn)?zāi)B(tài)分解的滾動軸承故障診斷方法研究[D];鄭州大學(xué);2007年

2 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

本文編號：1361049