發(fā)布時(shí)間：2020-10-31 08:11

　　 大型機(jī)械動(dòng)力傳動(dòng)系統(tǒng)作為國(guó)防和國(guó)民經(jīng)濟(jì)領(lǐng)域廣泛應(yīng)用的一類重要技術(shù)裝備,其安全性可靠性至關(guān)重要。由于這類裝備結(jié)構(gòu)復(fù)雜,耦合比較嚴(yán)重,運(yùn)行狀態(tài)具有較強(qiáng)非線性特征,且運(yùn)行環(huán)境惡劣,受非高斯噪聲和各種不確定因素影響,對(duì)其進(jìn)行準(zhǔn)確的故障診斷困難較大。監(jiān)控診斷和狀態(tài)預(yù)測(cè)作為設(shè)備安全可靠運(yùn)行和科學(xué)合理維修的一項(xiàng)重要支持技術(shù),其研究意義重大。 論文從機(jī)械動(dòng)力傳動(dòng)系統(tǒng)運(yùn)行狀態(tài)特點(diǎn)和非線性狀態(tài)監(jiān)控診斷需求分析出發(fā),結(jié)合相關(guān)學(xué)科領(lǐng)域最新研究成果,利用核方法在處理非線性問題中所具有的特質(zhì),系統(tǒng)深入地開展了核基特征提取、核基故障分類與決策、核基狀態(tài)趨勢(shì)預(yù)測(cè)等技術(shù)研究,旨在探索提高非線性條件下故障識(shí)別正確性、狀態(tài)預(yù)測(cè)準(zhǔn)確性的技術(shù)方法與途徑,為機(jī)械動(dòng)力傳動(dòng)系統(tǒng)監(jiān)控診斷技術(shù)向更深層次發(fā)展和應(yīng)用提供有效的技術(shù)支持。論文的主要研究?jī)?nèi)容包括: 1、針對(duì)機(jī)械動(dòng)力傳動(dòng)系統(tǒng)故障診斷對(duì)特征提取有效性要求,重點(diǎn)研究基于核方法的非線性故障特征提取技術(shù)。提出基于核主成分分析的鐵譜磨粒特征提取方法,較好地解決了鐵譜磨粒參數(shù)非線性特征提取和磨粒特征維數(shù)壓縮問題;提出基于核獨(dú)立分量分析的直升機(jī)傳動(dòng)系統(tǒng)故障特征預(yù)處理技術(shù),為提高直升機(jī)傳動(dòng)系統(tǒng)早期故障特征提取的有效性奠定了基礎(chǔ);提出基于核Fisher判別分析的特征提取技術(shù),有效增強(qiáng)故障特征的分類特性和提高故障分類識(shí)別準(zhǔn)確性; 2、針對(duì)大型機(jī)械動(dòng)力傳動(dòng)系統(tǒng)存在的故障樣本不足或稱小樣本故障診斷問題,深入研究了支持向量機(jī)故障診斷方法。從提高“一對(duì)一”、“一對(duì)多”兩種多分類器算法的訓(xùn)練和分類速度考慮,研究了算法的改進(jìn)方案;為解決故障診斷中因故障決策錯(cuò)誤所造成損失和風(fēng)險(xiǎn)不同的問題,對(duì)標(biāo)準(zhǔn)SVM算法加以改進(jìn),提出了基于模糊隸屬度函數(shù)的SVM等風(fēng)險(xiǎn)故障分類決策模型;在上述研究的基礎(chǔ)上,結(jié)合機(jī)械動(dòng)力傳動(dòng)系統(tǒng)在線故障診斷要求,提出了核基特征提取與SVM多故障層次分類檢測(cè)模型,通過軸承故障檢測(cè)與分類應(yīng)用實(shí)例,對(duì)模型可行性、有效性進(jìn)行了檢驗(yàn); 3、針對(duì)大型機(jī)械動(dòng)力傳動(dòng)系統(tǒng)缺乏故障樣本條件下的故障檢測(cè)問題,提出基于支持向量數(shù)據(jù)描述的故障檢測(cè)方法,深入研究了該方法用于故障檢測(cè)時(shí)核函數(shù)的選擇及其核函數(shù)參數(shù)對(duì)決策邊界區(qū)域和檢測(cè)精度的影響,提出了考慮誤判損失不等條件下SVDD決策模型的改進(jìn)方案。相關(guān)方法在某型直升機(jī)傳動(dòng)系統(tǒng)軸承故障檢測(cè)中得到成功應(yīng)用; 4、針對(duì)動(dòng)力裝置運(yùn)行狀態(tài)非線性特點(diǎn)和狀態(tài)預(yù)測(cè)要求,提出了基于相空間重構(gòu)和支持向量回歸的動(dòng)力裝置狀態(tài)趨勢(shì)預(yù)測(cè)方法,其中,采用相空間重構(gòu)技術(shù)對(duì)刻畫機(jī)組狀態(tài)及其變化的非線性時(shí)間序列進(jìn)行分析,計(jì)算出最小嵌入維作為預(yù)測(cè)樣本向量的維數(shù),利用支持向量回歸機(jī)對(duì)機(jī)組運(yùn)行狀態(tài)樣本學(xué)習(xí)訓(xùn)練,得到機(jī)組狀態(tài)預(yù)測(cè)模型,對(duì)模型的狀態(tài)預(yù)測(cè)能力進(jìn)行了深入研究。該方法在某型艦船動(dòng)力裝置主汽輪機(jī)的運(yùn)行狀態(tài)預(yù)測(cè)中得到成功應(yīng)用,為大型復(fù)雜機(jī)械動(dòng)力傳動(dòng)系統(tǒng)非線性狀態(tài)預(yù)測(cè)和掌握運(yùn)行狀態(tài)變化趨勢(shì)提供了有效的解決方案。
【學(xué)位單位】：國(guó)防科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2007
【中圖分類】：TH132
【部分圖文】：

3.2.3.3應(yīng)用研究與分析針對(duì)某型導(dǎo)彈車動(dòng)力裝置故障檢測(cè)需求，為提高故障特征提取的有效性，重點(diǎn)研究了基于KPCA的鐵譜磨粒特征提取方法在該系統(tǒng)中的應(yīng)用，研制了如圖3.5所示的基于鐵譜分析動(dòng)力裝置故障檢測(cè)與分析系統(tǒng)[’23]。圖3.5基于鐵譜分析動(dòng)力裝置故障檢測(cè)與分析系統(tǒng)從該系統(tǒng)的鐵譜標(biāo)準(zhǔn)磨粒樣本庫(kù)中選取12組磨粒樣本用于本文研究的，每組磨粒樣本原始特征描述參數(shù)空間為53維，其中6個(gè)樣本為疲勞剝塊磨粒，4個(gè)樣本為正�；瑒�(dòng)磨損磨粒，2個(gè)樣本為嚴(yán)重滑動(dòng)磨損磨粒，如表3.1所示。根據(jù)上節(jié)介紹的KPCA方法對(duì)磨粒樣本組進(jìn)行主成分分析，由于RBF核函數(shù)具有良好的特性(在第二章中已作介紹)，本章?

圖3.9某型直升機(jī)傳動(dòng)系統(tǒng)試驗(yàn)臺(tái)(2)實(shí)驗(yàn)系統(tǒng)實(shí)驗(yàn)研究在如圖3.9所示某型直升機(jī)傳動(dòng)系統(tǒng)試驗(yàn)臺(tái)上進(jìn)行，該試驗(yàn)臺(tái)模擬直升機(jī)實(shí)際運(yùn)行中的0.65連續(xù)、0.85連續(xù)、最大連續(xù)、空中慢車、起飛等幾種實(shí)際第48頁(yè)

圖3.15KFDA空間變換示意圖KFDA首先通過一個(gè)非線性影射中將輸入數(shù)據(jù)影射到一個(gè)高維的特征空間:中:R”崢Fx崢中(x)時(shí)，輸入的訓(xùn)練樣本由原來的x轉(zhuǎn)化為。(x)，然后在特征空間F中進(jìn)行線FDA。在F空間中求解以下問題:嶸二arg嗯:[釁，釁，…嶸](3假定在F空間中，所有樣本都是去均值的(特征空間去均值與輸入空間去不同)，則類間散度矩陣為:心=藝nk(才X才)r(3
【引證文獻(xiàn)】

相關(guān)博士學(xué)位論文 前1條

1 汪楚嬌;語(yǔ)義環(huán)境下提升機(jī)故障人工免疫診斷方法研究[D];中國(guó)礦業(yè)大學(xué);2010年

本文編號(hào)：2863686