本文關鍵詞：基于多核學習支持向量機的旋轉機械故障識別方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著現(xiàn)代科學技術的迅猛發(fā)展，旋轉機械不斷朝著大型化、復雜化、高速化、連續(xù)化和自動化的方向發(fā)展。這些發(fā)展在帶來較高生產(chǎn)效率的同時，對設備的安全運轉也提出了更高的要求。對設備的狀態(tài)進行監(jiān)測和識別是保證設備安全可靠運行的重要措施。本文基于多核學習(Multiple Kernel Learning，MKL)支持向量機理論，對旋轉機械故障識別過程中一些關鍵問題的解決進行了深入研究。 傳統(tǒng)單核支持向量機不能滿足諸如數(shù)據(jù)異構或不規(guī)則、樣本不平坦分布等實際的應用需求,因此將多個核函數(shù)進行組合,以獲得更好的結果是一種必然選擇。本文將多核學習支持向量機應用到旋轉機械的故障識別中，并通過實驗驗證了該方法的有效性和優(yōu)越性。 作為數(shù)據(jù)處理的方法，集總經(jīng)驗模態(tài)分解(EEMD)能夠較好地處理非平穩(wěn)、非線性問題，，消除模態(tài)混疊效應，提出將EEMD方法和多核學習支持向量機結合，在對故障分類之前采用EEMD對原始信號進行預處理，以獲得更好的分類效果。 在EEMD方法分解出的固有模態(tài)分量(IMF)中，為了更有效地提取故障特征，需要選取對故障敏感的IMF。本文提出基于多核學習的IMF分量選擇方法，該方法能定量地給出每一個IMF對最后分類結果的貢獻度，提高了IMF選取結果的有效性和合理性。 考慮到利用單一特征的識別方法具有很大的局限性，為了將不同的特征融合，最大限度地利用各種特征，本文提出基于多核多特征的液壓泵故障識別方法。該方法首先提取多類特征，然后分別用特定的核函數(shù)映射，實驗結果表明該方法顯著地提高了分類器的性能。
【關鍵詞】：旋轉機械 故障識別 多核學習 多特征聯(lián)合 支持向量機 集總經(jīng)驗模態(tài)分解 固有模態(tài)分量
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH165.3
【目錄】：

• 摘要5-6
• Abstract6-11
• 第1章 緒論11-21
• 1.1 課題背景11-12
• 1.2 國內(nèi)外研究現(xiàn)狀及分析12-18
• 1.2.1 旋轉機械故障診斷技術的研究現(xiàn)狀及分析12-14
• 1.2.2 MKL 的研究現(xiàn)狀及分析14-18
• 1.3 本文研究的意義和主要內(nèi)容18-21
• 1.3.1 本文研究的意義18-19
• 1.3.2 本文研究的主要內(nèi)容19-21
• 第2章 多核學習支持向量機理論基礎21-35
• 2.1 機器學習21-22
• 2.2 支持向量機基本理論22-28
• 2.2.1 線性可分支持向量機22-24
• 2.2.2 廣義線性支持向量機24-26
• 2.2.3 核特征空間的非線性映射算法26
• 2.2.4 核函數(shù)的類型26-27
• 2.2.5 非線性支持向量機27-28
• 2.3 多核學習支持向量機基本理論28-34
• 2.3.1 多核學習的引入28-30
• 2.3.2 多核學習支持向量機模型30-32
• 2.3.3 多核學習問題求解算法32-34
• 2.4 本章小結34-35
• 第3章 基于 MKL 方法在 EEMD 數(shù)據(jù)處理中的應用35-56
• 3.1 引言35
• 3.2 振動信號處理35-48
• 3.2.1 EEMD 分解在數(shù)據(jù)處理中的應用36-39
• 3.2.2 液壓泵狀態(tài)信號采集39-41
• 3.2.3 液壓泵正常狀態(tài)振動信號分析41-43
• 3.2.4 液壓泵滑靴磨損故障振動信號分析43-45
• 3.2.5 液壓泵單柱塞松靴故障振動信號分析45-47
• 3.2.6 液壓泵中心彈簧失效故障振動信號分析47-48
• 3.3 基于 MKL 的 IMF 分量選擇方法48-52
• 3.3.1 IMF 分量的選取方法49-50
• 3.3.2 多核學習確定 IMF50-52
• 3.4 基于 MKL 確定 IMF 分量結果分析52-55
• 3.4.1 正常和滑靴磨損 IMF 分量的確定52-53
• 3.4.2 正常和單柱塞松靴 IMF 分量的確定53-54
• 3.4.3 正常和中心彈簧失效 IMF 分量的確定54-55
• 3.5 本章小結55-56
• 第4章 基于多核學習 SVM 的故障識別方法56-70
• 4.1 引言56
• 4.2 仿真實驗及結果分析56-61
• 4.2.1 實驗數(shù)據(jù)源簡介56
• 4.2.2 分類算法評價指標56-57
• 4.2.3 MKL 在二分類標準數(shù)據(jù)集中的應用57-59
• 4.2.4 MKL 在多分類標準數(shù)據(jù)集中的應用59-61
• 4.3 基于 MKL 的液壓泵故障識別61-64
• 4.3.1 MKL 液壓泵故障診斷流程61-62
• 4.3.2 液壓泵故障識別實驗結果分析62-64
• 4.4 基于 MKL 的軸承故障識別64-69
• 4.4.1 軸承振動測試實驗方案設計與信號采集65-66
• 4.4.2 數(shù)據(jù)處理和特征提取66-67
• 4.4.3 軸承的故障識別67-69
• 4.5 本章小結69-70
• 第5章 基于多核多特征液壓泵故障識別方法70-79
• 5.1 引言70
• 5.2 特征提取70-72
• 5.2.1 AR 模型提取故障特征70-71
• 5.2.2 奇異值分解提取故障特征71-72
• 5.3 特征組合72-74
• 5.3.1 特征組合的概念72
• 5.3.2 特征組合方法72-74
• 5.4 基于多核多特征液壓泵故障識別方法74-78
• 5.4.1 多核多特征故障診斷流程74-75
• 5.4.2 多核多特征故障識別算法75-76
• 5.4.3 多核多特征液壓泵故障識別結果分析76-78
• 5.5 本章小結78-79
• 結論79-81
• 參考文獻81-85
• 攻讀碩士學位期間承擔的科研任務與主要成果85-86
• 致謝86-87
• 作者簡介87

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王玉靜;康守強;張云;劉學;姜義成;Mikulovich V I;;基于集合經(jīng)驗模態(tài)分解敏感固有模態(tài)函數(shù)選擇算法的滾動軸承狀態(tài)識別方法[J];電子與信息學報;2014年03期

2 張力;項輝宇;趙罘;袁柳櫻;;斜盤式軸向柱塞泵摩擦副分析[J];機床與液壓;2007年06期

3 林麗;余輪;;基于相關系數(shù)的EMD改進算法[J];計算機與數(shù)字工程;2008年12期

4 程軍圣,于德介,楊宇;基于EMD的能量算子解調(diào)方法及其在機械故障診斷中的應用[J];機械工程學報;2004年08期

5 于德介,楊宇,程軍圣;一種基于SVM和EMD的齒輪故障診斷方法[J];機械工程學報;2005年01期

6 于德介,程軍圣,楊宇;Hilbert-Huang變換在齒輪故障診斷中的應用[J];機械工程學報;2005年06期

7 張學工;關于統(tǒng)計學習理論與支持向量機[J];自動化學報;2000年01期

8 程軍圣;于德介;楊宇;;基于內(nèi)稟模態(tài)奇異值分解和支持向量機的故障診斷方法[J];自動化學報;2006年03期

9 汪洪橋;孫富春;蔡艷寧;陳寧;丁林閣;;多核學習方法[J];自動化學報;2010年08期

10 竇東陽;趙英凱;;集合經(jīng)驗模式分解在旋轉機械故障診斷中的應用[J];農(nóng)業(yè)工程學報;2010年02期

  本文關鍵詞：基于多核學習支持向量機的旋轉機械故障識別方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：379727