機(jī)械故障診斷技術(shù)能夠?qū)υO(shè)備故障狀態(tài)做出診斷預(yù)防,提高設(shè)備運(yùn)行可靠性與安全性。旋轉(zhuǎn)機(jī)械在工業(yè)生產(chǎn)中使用廣泛,針對(duì)旋轉(zhuǎn)機(jī)械的故障診斷一直是機(jī)械故障領(lǐng)域中的重點(diǎn)研究方向。隨著社會(huì)的進(jìn)步與生產(chǎn)力的發(fā)展,大型高速?gòu)?fù)雜旋轉(zhuǎn)機(jī)械應(yīng)用更加廣泛,對(duì)設(shè)備運(yùn)行的可靠性與安全性要求也日益增加,傳統(tǒng)診斷方法已經(jīng)不能滿足相應(yīng)的診斷要求。近年來(lái),隨著人工智能方法的發(fā)展,故障診斷方法由簡(jiǎn)易診斷、精密診斷,逐漸向基于機(jī)器學(xué)習(xí)、人工智能的智能診斷方法發(fā)展。其中支持向量機(jī)是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的模式識(shí)別方法,經(jīng)故障數(shù)據(jù)訓(xùn)練后能夠?qū)W習(xí)故障特征,實(shí)現(xiàn)對(duì)故障的診斷。本文要圍繞旋轉(zhuǎn)機(jī)械故障診斷,以支持向量機(jī)為理論基礎(chǔ),提出一種改進(jìn)的深度支持向量機(jī)模式識(shí)別方法,并通過(guò)設(shè)計(jì)進(jìn)行相關(guān)實(shí)驗(yàn),研究深度支持向量機(jī)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用。本文的研究?jī)?nèi)容主要包括以下兩個(gè)部分:（1）在常規(guī)條件下,提出一種改進(jìn)的深度稀疏最小二乘支持向量機(jī)診斷方法。該方法構(gòu)建了多層支持向量機(jī)結(jié)構(gòu),在輸入層利用訓(xùn)練樣本對(duì)支持向量機(jī)進(jìn)行訓(xùn)練,通過(guò)一定方法生成一組新的樣本并用于訓(xùn)練下一層,利用多次學(xué)習(xí)提高分類準(zhǔn)確率�？紤]到多層結(jié)構(gòu)帶來(lái)的算法訓(xùn)練復(fù)雜度與診斷用時(shí)增加的問(wèn)... 

【文章來(lái)源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1支持向量機(jī)原理圖

第二章基于深度稀疏最小二乘支持向量機(jī)的故障診斷方法9圖2-2核函數(shù)映射示意圖通過(guò)求解下式2.19計(jì)算a，并得到?jīng)Q策函數(shù)[37]。11111max(,)2..00=1,2,nnniijijijiijniiiiayyaaKstyaain=====axx…,（2.19）SVM采用的核函數(shù)需滿足Mercer條件，避免了直接在高維空間中的計(jì)算，同時(shí)能得到等價(jià)的結(jié)果。常用的核函數(shù)包括以下幾種：（1）線性核函數(shù)(,)iiKxx=xx（2.20）（2）多項(xiàng)式核函數(shù)(,)(1)diiKxx=xx+（2.21）（3）高斯核函數(shù)22(,)exp()2iiKσ=xxxx（2.22）（4）Sigmoid核函數(shù)(,)tanh(())iiKxx=βxx+c（2.23）SVM在分類中需要考慮數(shù)據(jù)噪聲或偏離正常位置距離比較遠(yuǎn)的點(diǎn)，會(huì)對(duì)分類間隔與超平面造成較大影響，忽略此類點(diǎn)反而會(huì)使間隔變大，獲得更好的分類結(jié)果。因此SVM允許數(shù)據(jù)點(diǎn)在一定程度上偏離超平面，通過(guò)設(shè)置約束條件允許數(shù)據(jù)點(diǎn)有一定程度的偏離。約束條件如式2.24所示。()1,2,,Tiiiyωx+b1-ξi=n（2.24）式中iξ0是松弛變量。參數(shù)iξ對(duì)應(yīng)第i個(gè)訓(xùn)練樣本xi允許偏離幾何間隔的量，若允許iξ的值任意大，會(huì)導(dǎo)致任意超平面均符合條件按，因此為了避免偏離量過(guò)大，需要在目標(biāo)函數(shù)中增加懲罰項(xiàng)用于控制iξ的總和最小，如公式2.25所示。

第二章基于深度稀疏最小二乘支持向量機(jī)的故障診斷方法13式中isv是支持向量，ia是支持向量對(duì)應(yīng)拉格朗日因子，isvy是支持向量對(duì)應(yīng)標(biāo)簽，b是偏置。圖2-3深度支持向量機(jī)模型樣本重構(gòu)可如圖2-4所示，重構(gòu)后的樣本數(shù)量與初始訓(xùn)練樣本集保持一致為N，而每個(gè)樣本維度由初始樣本維度M變?yōu)镼。對(duì)訓(xùn)練樣本MixR，特征提取公式對(duì)輸入層的ix處理后能夠得到一組新的重構(gòu)樣本如公式2.48所示。1211122{,,,}QisvisvisvQQih=yaK(svx)+b,yaK(svx)+b,,yaK(svx)+b（2.48）訓(xùn)練樣本MixR被轉(zhuǎn)化成QihR，輸入層到下一層的訓(xùn)練完成，重構(gòu)后的訓(xùn)練樣本對(duì)應(yīng)的標(biāo)簽仍為12,,Nyy…,y。利用重構(gòu)的訓(xùn)練樣本對(duì)下一層進(jìn)行訓(xùn)練，同樣利用訓(xùn)練后得到的特征信息與參數(shù)，通過(guò)公式2.47再次進(jìn)行樣本重構(gòu)，新生成的樣本作為訓(xùn)練集對(duì)新一層SVM訓(xùn)練，對(duì)于層數(shù)為n的DSVM，通過(guò)n-1次樣本重構(gòu)與n次樣本特征學(xué)習(xí)，最終第n層輸出層的最優(yōu)求解作為DSVM的分類決策函數(shù)。同樣，測(cè)試樣本集需要經(jīng)輸入層、中間層及輸出層的多次樣本結(jié)構(gòu)轉(zhuǎn)換后判斷具體類別，對(duì)于測(cè)試樣本x，輸出y(x)可由公式2.49表示。1()liiiiyayKb=x=(sv,o(x))+（2.49）其中，isv是輸出層第i個(gè)支持向量，l是輸出層支持向量數(shù)量，o(x)為經(jīng)過(guò)多層結(jié)構(gòu)層轉(zhuǎn)換映射后的特征，b為最后一層的偏置項(xiàng)。對(duì)于線性可分問(wèn)題可采用線性內(nèi)積處理，線性不可分問(wèn)題則選擇合適的核方法解決。圖2-4樣本重構(gòu)121211112211111213121222321122222123,,,,,,QQsvsvsvQQMMsvsvsvQQNNNNMsvyaKbyaKbyaKbxxxxxxxxyaKbyaKbyaKbxxxxyasvxsvxsvxsvxsvxsvx()+()+()+()+()+()+21122,,,QNsvNsvQQNKbyaKbyaKb(svx)+(svx)+(svx

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)在旋轉(zhuǎn)機(jī)械設(shè)備故障診斷中的應(yīng)用研究綜述[J]. 吳春志,馮輔周,吳守軍,陳湯,王杰.  噪聲與振動(dòng)控制. 2019(05)
[2]一種用于軸承故障診斷的遷移學(xué)習(xí)模型[J]. 張根保,李浩,冉琰,李裘進(jìn).  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2020(05)
[3]隨機(jī)丟棄和批標(biāo)準(zhǔn)化的深度卷積神經(jīng)網(wǎng)絡(luò)柴油機(jī)失火故障診斷[J]. 張康,陶建峰,覃程錦,李衛(wèi)星,劉成良.  西安交通大學(xué)學(xué)報(bào). 2019(08)
[4]大數(shù)據(jù)下機(jī)械裝備故障的深度遷移診斷方法[J]. 雷亞國(guó),楊彬,杜兆鈞,呂娜.  機(jī)械工程學(xué)報(bào). 2019(07)
[5]基于深度卷積變分自編碼網(wǎng)絡(luò)的故障診斷方法[J]. 佘博,田福慶,梁偉閣.  儀器儀表學(xué)報(bào). 2018(10)
[6]基于支持向量機(jī)的機(jī)械故障診斷方法研究[J]. 馮偉杰,張景珊,付曉琪.  中國(guó)金屬通報(bào). 2018(09)
[7]離心泵機(jī)組振動(dòng)故障診斷與分析[J]. 雪增紅,曹瀟,王天周.  排灌機(jī)械工程學(xué)報(bào). 2018(06)
[8]知識(shí)嵌入的遷移孿生支持向量機(jī)[J]. 王洪元,耿磊,倪彤光,王沖.  控制與決策. 2019(03)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的異步電機(jī)故障診斷[J]. 王麗華,謝陽(yáng)陽(yáng),周子賢,張永宏,趙曉平.  振動(dòng).測(cè)試與診斷. 2017(06)
[10]基于極限學(xué)習(xí)機(jī)參數(shù)遷移的域適應(yīng)算法[J]. 許夙暉,慕曉冬,柴棟,羅暢.  自動(dòng)化學(xué)報(bào). 2018(02)

博士論文
[1]旋轉(zhuǎn)機(jī)械故障診斷與預(yù)測(cè)方法及其應(yīng)用研究[D]. 武哲.北京交通大學(xué) 2016
[2]遷移學(xué)習(xí)問(wèn)題與方法研究[D]. 龍明盛.清華大學(xué) 2014
[3]旋轉(zhuǎn)機(jī)械故障診斷的時(shí)頻分析方法及其應(yīng)用研究[D]. 鐘先友.武漢科技大學(xué) 2014
[4]基于支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷與預(yù)測(cè)方法研究[D]. 朱霄珣.華北電力大學(xué) 2013

碩士論文
[1]基于遷移學(xué)習(xí)的工業(yè)過(guò)程故障診斷方法研究與實(shí)現(xiàn)[D]. 王春峰.大連理工大學(xué) 2019
[2]基于遷移學(xué)習(xí)的變工況下滾動(dòng)軸承故障診斷方法研究[D]. 胡明武.哈爾濱理工大學(xué) 2019
[3]基于最小二乘支持向量機(jī)的燃煤鍋爐燃燒優(yōu)化研究[D]. 陳南錕.東南大學(xué) 2016
[4]基于半監(jiān)督的SVM遷移學(xué)習(xí)文本分類方法[D]. 譚建平.廣東工業(yè)大學(xué) 2016
[5]改進(jìn)的支持向量機(jī)的理論研究及應(yīng)用[D]. 劉春雨.西北農(nóng)林科技大學(xué) 2016
[6]基于GMM與改進(jìn)LS-SVM算法的說(shuō)話人識(shí)別研究[D]. 張俊.中國(guó)科學(xué)技術(shù)大學(xué) 2015
[7]基于支持向量機(jī)和深度學(xué)習(xí)的分類算法研究[D]. 劉樹(shù)春.華東師范大學(xué) 2015
[8]風(fēng)力發(fā)電機(jī)齒輪箱狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)的研發(fā)與實(shí)現(xiàn)[D]. 高志偉.上海電機(jī)學(xué)院 2015
[9]基于最小二乘支持向量機(jī)的參數(shù)變化模型辨識(shí)及其預(yù)測(cè)控制[D]. 馮凱.浙江大學(xué) 2015
[10]SVM參數(shù)尋優(yōu)及其在分類中的應(yīng)用[D]. 徐曉明.大連海事大學(xué) 2014



本文編號(hào)：3578413