本文關(guān)鍵詞：基于支持向量機和模糊神經(jīng)網(wǎng)絡的旋轉(zhuǎn)機械故障診斷，由筆耕文化傳播整理發(fā)布。

【摘要】：旋轉(zhuǎn)機械作為工業(yè)部門的核心部件，其運行狀態(tài)直接影響工業(yè)部門的生產(chǎn)。如果運行在非正常狀態(tài)，，輕則造成巨大的經(jīng)濟損失，重則造成人員傷亡產(chǎn)生嚴重的社會影響。故旋轉(zhuǎn)機械的狀態(tài)監(jiān)測與故障診斷具有重要的意義。 論文在利用旋轉(zhuǎn)機械故障實驗平臺模擬五種典型的機械狀態(tài)的基礎上，建立旋轉(zhuǎn)機械故障診斷的支持向量機和模糊神經(jīng)網(wǎng)絡故障診斷模型，有效的實現(xiàn)了這五種機械狀態(tài)的診斷。五種機械狀態(tài)分別為轉(zhuǎn)子正常、轉(zhuǎn)子不平衡、轉(zhuǎn)子不對中、軸承內(nèi)圈裂縫和軸承外圈裂縫。本文主要的研究內(nèi)容如下： 1.在分析現(xiàn)代信號處理方法應用與傳統(tǒng)故障診斷思路的基礎上，提出了利用頻譜幅值較大的頻率成分重組信號的方法，并對重組信號提取了31個常用的特征值；同時對五種機械狀態(tài)的振動加速度信號進行信號重組，對重組信號的頻譜進行了相關(guān)性分析。相關(guān)性分析結(jié)果是同類型間的相關(guān)系數(shù)接近于1，屬于強相關(guān)性；不同類型間的相關(guān)系數(shù)較小，屬于為弱相關(guān)，表明了提取出的信號特征值具有較強的針對性。 2.針對二叉樹支持向量機多類分類算法進行故障識別模型的優(yōu)先級確定難的問題，提出了一對多支持向量機多類分類算法確定優(yōu)先級的方法，并建立了二叉樹支持向量機故障診斷模型。診斷實驗結(jié)果較好，表明該方法的有效性且具有良好的工程應用價值。 3.建立了串聯(lián)型模糊神經(jīng)網(wǎng)絡的逐次故障診斷模型，實驗結(jié)果良好，表明了該方法的有效性。并對比二叉樹支持向量機故障診斷模型實驗結(jié)果，進一步說明了二叉樹支持向量機對本文五種機械狀態(tài)故障診斷的工程應用價值。
【關(guān)鍵詞】：旋轉(zhuǎn)機械 故障診斷 二叉樹 SVM算法 神經(jīng)網(wǎng)絡 特征值
【學位授予單位】：重慶理工大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：TH165.3
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-13
• 1.1 旋轉(zhuǎn)機械故障診斷研究的意義和目的9
• 1.1.1 旋轉(zhuǎn)機械故障診斷研究的意義9
• 1.1.2 旋轉(zhuǎn)機械故障診斷研究的目的9
• 1.2 國內(nèi)外機械故障診斷技術(shù)的研究現(xiàn)狀及發(fā)展趨勢9-11
• 1.2.1 機械故障診斷技術(shù)的國內(nèi)外研究現(xiàn)狀9-10
• 1.2.2 機械故障診斷技術(shù)的發(fā)展趨勢10-11
• 1.3 基于支持向量機的故障診斷的國內(nèi)外研究現(xiàn)狀11
• 1.3.1 國外研究現(xiàn)狀11
• 1.3.2 國內(nèi)研究現(xiàn)狀11
• 1.4 本文研究的主要內(nèi)容11-13
• 第二章 旋轉(zhuǎn)機械故障診斷實驗系統(tǒng)及實驗設計13-25
• 2.1 旋轉(zhuǎn)機械故障實驗平臺13-17
• 2.2 數(shù)據(jù)采集系統(tǒng)17-21
• 2.3 實驗設計21-23
• 2.4 本章小結(jié)23-25
• 第三章 特征值的提取25-45
• 3.1 振動信號的處理25-29
• 3.1.1 信號處理的目的25
• 3.1.2 現(xiàn)代信號的處理方法25-29
• 3.1.3 本文使用的處理方法29
• 3.2 故障診斷中常用的特征值29-32
• 3.2.1 時域有量綱特征值29-30
• 3.2.2 時域無量綱特征值30-31
• 3.2.3 頻域有量綱特征值31
• 3.2.4 頻域無量綱特征值31-32
• 3.3 相關(guān)性分析及特征值的分布情況32-43
• 3.3.1 頻域信號的相關(guān)性分析32-39
• 3.3.2 特征值的正態(tài)分布情況39-43
• 3.4 本章小結(jié)43-45
• 第四章 支持向量機的旋轉(zhuǎn)機械故障診斷45-65
• 4.1 引言45
• 4.2 支持向量機的基本理論45-51
• 4.2.1 支持向量機的基本思想45-46
• 4.2.2 支持向量機的理論基礎46-51
• 4.3 支持向量機中的幾種核函數(shù)51-52
• 4.4 支持向量機的多類分類算法52-54
• 4.4.1 一對一分類算法52
• 4.4.2 一對多分類算法52-53
• 4.4.3 DAG-SVM 分類算法53
• 4.4.4 二叉樹支持向量機（H-SVM）多類分類算法53-54
• 4.5 旋轉(zhuǎn)機械故障診斷的多類分類支持向量機的實現(xiàn)54-62
• 4.5.1 基于一對多分類算法的二叉樹優(yōu)先級確定54-55
• 4.5.2 二叉樹多類分類算法55-56
• 4.5.3 應用研究56-62
• 4.6 本章小結(jié)62-65
• 第五章 模糊神經(jīng)網(wǎng)絡的旋轉(zhuǎn)機械故障診斷65-81
• 5.1 神經(jīng)網(wǎng)絡的基本理論65-71
• 5.1.1 人工神經(jīng)元模型65-67
• 5.1.2 人工神經(jīng)網(wǎng)絡模型67-68
• 5.1.3 人工神經(jīng)網(wǎng)絡的學習機理68-71
• 5.2 模糊理論的基本理論71-74
• 5.2.1 模糊子集的定義和表示71
• 5.2.2 模糊子集的運算71-72
• 5.2.3 隸屬函數(shù)的確定方法72-74
• 5.3 模糊系統(tǒng)和神經(jīng)網(wǎng)絡的結(jié)合74
• 5.4 模糊神經(jīng)網(wǎng)絡故障診斷模型74-77
• 5.4.1. 故障診斷模型結(jié)構(gòu)74-76
• 5.4.2. 模糊神經(jīng)網(wǎng)絡模型76-77
• 5.4.3. 逐次診斷的步驟77
• 5.5 診斷結(jié)果分析77-78
• 5.6 本章小結(jié)78-81
• 第六章 總結(jié)與展望81-83
• 致謝83-85
• 參考文獻85-89
• 附錄89

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 呂曉麗;李雷;曹未豐;;基于二叉樹的SVM多類分類算法[J];信息技術(shù);2008年04期

2 周浩;袁志勇;;基于短時傅里葉變換的魚雷自導信號參數(shù)實時估計及應用[J];武漢理工大學學報(交通科學與工程版);2009年06期

3 唐先廣;郭瑜;丁彥春;鄭華文;;基于短時傅里葉變換和獨立分量分析的滾動軸承包絡分析[J];機械強度;2012年01期

4 張弦;王宏力;;進化小波消噪方法及其在滾動軸承故障診斷中的應用[J];機械工程學報;2010年15期

5 溫家鵬;;基于小波變換的地鐵振動信號特征分析[J];山西建筑;2012年20期

6 馬笑瀟,黃席樾,柴毅;基于SVM的二叉樹多類分類算法及其在故障診斷中的應用[J];控制與決策;2003年03期

7 李悅;黃晉英;楊曉霞;;基于盲源分離的齒輪箱故障診斷[J];煤礦機械;2012年03期

8 蘇立;南海鵬;余向陽;吳羅長;王瑾;;基于集合經(jīng)驗模態(tài)分解與Wigner-Ville分布的水輪機振動特征信號的分析研究[J];水力發(fā)電學報;2012年02期

9 劉文彬;郭瑜;鄭華文;;基于短時傅里葉變換的油膜振蕩故障識別[J];中國測試技術(shù);2008年02期

10 趙安邦;沈廣楠;陳陽;周彬;李桂娟;;HHT與神經(jīng)網(wǎng)絡在艦船目標特征提取中的應用[J];聲學技術(shù);2012年03期

  本文關(guān)鍵詞：基于支持向量機和模糊神經(jīng)網(wǎng)絡的旋轉(zhuǎn)機械故障診斷，由筆耕文化傳播整理發(fā)布。

本文編號：325067