收藏本站
《上海海事大学》 2007年
收藏 | 手机打开
二维码
手机客户端打开本文

基于支持向量机的船舶主机缸盖故障诊断的研究

雷瑾(Theingi Shwe)  
【摘要】: 机械故障诊断的发展历程中,故障确诊率的提高一直是研究的热点。为了系统地阐述机械故障诊断中的问题,本文中给予了相关的定义及分类。按照机械故障诊断推理过程的环节,详细分析了故障产生的机理和具体的原因。 采用小波分析法和时间序列分析法由柴油机缸盖表面振动信号来识别气缸压力,通过对示功图进行分析计算得到了相应的放热规律。本文将柴油机工作循环的模拟计算与前述放热规律的多工况计算相结合,根据柴油机缸盖振动信号来预测其多工况性能。 故障诊断本质上是一种模式识别或分类的方法。在理论上和应用上,支持向量机(SVM)都是非常有价值的模式识别方法。由于支持向量机的分解原理是局部最优值恰是全局最优值的一个二次规划,在训练和识别中可以避免陷入局部最优值的泥沼。它基于结构风险最小化原则,可以在算法复杂性(VC维)和训练准确性(结构风险最小化)之间进行最优化平衡,因而有良好的泛化能力。 支持向量机(SVM)是一种基于统计学习理论和结构风险最小化原则的新型机器学习方法,克服了传统机器学习方法在训练中的局部极小问题,过学习和欠学习等问题,具有很好的泛化能力。本文介绍了支持向量机(SVM)在船用柴油机缸盖故障诊断应用的基本理论,然后以随机激励下压电智能结构的响应数据作为训练样本集,仿真结果验证了这种方法的有效性。 本文在学习探讨SVM算法的同时,结合SVM在船用柴油机缸盖故障诊断中的应用研究进行了论述,共分为5章。 第一章主要介绍SVM基础理论和原理。支持向量机(Support Vector Machine,简称SVM)已经成为样本学习的最普遍的方法之一,并且在科学和工程技术上有许多潜在的应用。支持向量机是一种新型的基于破坏性风险最小化理论基础上的机器学习手段,即使在样本很少时也显示出很好的泛化能力。在有限样本的机器学习中显示出优异的性能。作为结构风险最小化归纳准则的具体实现,支持向量机具有全局最优性和较好的泛化能力。支持向量机已经发展成为在噪声、复杂控制领域进行分类,有效回归的有力工具。支持向量机的两个主要特征是泛化理论和核函数,泛化理论提供了选择假设的原理和方法,而核函数则能够在不明确要求非线性算法的情况下在假设空间中引入非线性。 目前SVM是模式识别领域中最先进的机器学习算法,它已初步体现出很多优于已有方法的性能。由于采用了结构风险最小化原则代替经验最小化原则,支持向量机能够较好地解决小样本学习的问题。又由于采用了核函数的思想,使它能够把非线性空间的问题转换到线性空间,降低了算法的复杂性。 第二章介绍了船用柴油机通过噪声和振动信号对故障进行检测。因为柴油机工作循环的周期性和多变性,柴油机的振动和噪声是很复杂的。因此,通过这些信号来检测机械故障是困难的。 研究表明,许多情况下检测超过20000HZ或更高一点的系统,检测本征频率是有效的检测方法。同时也表明,对于振动信号的检测优于对声音信号的检测。 这两种相对高频的信号,正常运转时不明显,而在故障时会增大到一个很高的程度,远高于低频信号和较低的系统固有频率的增加幅度。因此,根据高频信号去检测故障会更容易些。柴油机机械部件需要新的或改进的监控方法。本章主要讨论了一些应用噪声和振动信号对柴油机进行故障检测的方法。 第三章阐述了船用柴油机主机缸盖的故障诊断研究。在产品制造和使用过程中对质量要求的提高激发了制造商和用户对故障检测和诊断方面研究的发展。大多数生产制造和使用过程涉及许多相关变量。当其中有一个变量偏离它的既定范围时,故障就会发生。迅速而有效的诊断系统有助于避免出现质量问题和进行预防性维护修理。 故障诊断系统有两个任务,故障检测和故障诊断。前者的目的是为了确定系统中发生的故障。将系统所有有用的信息收集处理并判别与正常工作时的不同。例如,温度,压力,波动率,流量,噪声等信息。后者被用于确定故障种类和故障源。回转机械中,故障主要原因在于轴承出现问题。掌握和诊断轴瓦存在的故障是增加运行可靠性的一种途径。 活塞式内燃机中参与燃烧过程的机械部件故障可以从气缸示功图,排气阀,声音和振动信号反映出来。 第四章是本文的一个主要研究内容,主要侧重于应用SVM对船用柴油机缸盖振动信号特性及典型故障的诊断。船用主柴油机的振动信号包含了关于燃烧室部件寿命的有用信息。它常用来控制检测机器前期故障。几种常发生的故障可以从四冲程柴油机文献记录的振动信号得出。柴油机部件工作状态可以通过监测气缸盖振动信号得出。 通过讨论由气阀冲击和燃烧压力引起的气缸盖振动信号的特征,提出一些适用于柴油机振动控制和故障诊断的准则。通过支持向量机方法,建立信号模型和等价冗余模型,通过测量和分析检测出导致产生冗余误差的故障。 研究结果表明,SVM成功地被应用于许多研究方向,例如模式识别,多元回归非线性模型匹配等。结果表明,不但从理论角度看该技术令人满意,而且在实际应用中有很高的绩效。 第五章是结论与展望。对本文作了简要的总结,并对SVM的应用作了展望。新的对机器的检测途径,是以支持向量机的神经网络方法为基础的,现在已经开始应用。检测可以理解为对部件缺陷的识别,部件缺陷意味着数值高于或低于设定范围。这种方法的特征是高精度和高速度。当神经网络被建立后,不管环路的大小,都能迅速的识别故障。因而这种方法适用于实时的缺陷定位。支持向量机神经网络的优势在于它的良好的泛化性。仅仅基于有限数量的各种故障的典型缺陷样本,就可以在大范围内识别有关部件参数和承受力的非理想缺陷。在机器样本的故障检测中,支持向量机的方法比当前应用方法的精确性要高。 实验结果表明支持向量机方法比传统的人工神经网络方法和其他方法更有效。在研究中,它对多类故障的分类有很多优势;算法简单;分类容易和效率高。它非常适宜联机监控和诊断。SVM向我们提供了一种新的有益的途径,用于发展智能诊断。 这种方法能改善故障诊断的稳健性和准确性,而且它还可以应用到其他的领域。基于目前的研究,可以得出以下的结论; 1)SVM是一种非常好的故障诊断的方法,它具有许多有利的特性。首先,它有能力处理非可见样本并且准确。其次,它仅仅要求很少量的样本。再者,在决策过程中,它只需要很少的的计算量。所有的这些特性使它成为了一种非常有吸引力的故障检测方法。 2)SVM的成功之处主要在于它应用核函数将信号映射到更高维的特征空间,在特征空间中可以检测到信号的附加特征值。有趣的是,只要样本足够大,核函数的选择并不是决定性的因素。 今后的研究应集中在选择更适宜的传感器装置使检测最优化。我们打算进行基于特征提取的故障检测和诊断(FDD),这样可以减少计算的复杂性,也有利于(FDD)使用实时数据。我们还计划建立一些完善的模型,这会有助于将来船舶柴油机的故障检测和诊断。 今后我们会根据特征的不同表现形式,运用SVM方法在多重分类和单一分类问题上做更多的实验。 总之,因为SVM完备的理论基础和出色的学习性能,其已经成为了机器学习界的研究热点,并在很多领域都得到了成功的应用。但是作为一种新兴技术,SVM在很多应用领域的研究都还有待于探索和完善。如核函数和参数的选择缺乏理论指导、训练算法的不完善、不支持增量学习等。这些问题的存在,使得SVM在很多领域的应用受到了较大的限制。 实验显示,在短期预测中4种核函数有着基本相同的预测能力,而在长期预测中,向基函数核和多项式核表现出了相对较高的预测能力,同线性核和神经网络核相比,它们的归一化均方误差约降低了20%。SVM与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明,实现了结构风险最小化原理的SVM具有更好的预测能力,在长期预测中,其归一化均方误差约降低了15%。 本文在学习探讨SVM算法的同时,对SVM在船用柴油机缸盖系统故障诊断中的应用进行了论述,运用支持向量机理论对其进行了故障诊断的仿真研究和实验研究,其中包括实验系统数学模型的设计、仿真系统的建立(用Simulink仿真软件建立仿真模型)、特征参数的提取、数据的采集等。
【学位授予单位】:上海海事大学
【学位级别】:硕士
【学位授予年份】:2007
【分类号】:U672.7

【引证文献】
中国硕士学位论文全文数据库 前1条
1 王慧;基于Hadoop的并行挖掘算法的研究[D];首都师范大学;2013年
【参考文献】
中国期刊全文数据库 前4条
1 张浩然;汪晓东;张长江;徐秀玲;;一种新型回归支持向量机的学习算法[J];测试技术学报;2006年02期
2 邓名华;基于缸盖振动信号的柴油机多工况性能预测[J];燃烧科学与技术;2001年02期
3 孟光;光盘振动模态的电视激光全息测量与分析[J];振动工程学报;2004年01期
4 胡兆勇;机械故障诊断中的误诊[J];中国机械工程;2005年02期
【共引文献】
中国期刊全文数据库 前10条
1 韩天;孙欣;尹忠俊;;基于多代理决策融合的电机状态识别[J];北京科技大学学报;2007年S2期
2 吴保中;钱祖平;赵守俊;;一种改进均方误差性能的新型鲁棒性波束形成算法[J];电波科学学报;2009年04期
3 黄刚;王汝传;解永娟;石小娟;;基于ARSVR方法的网格计算资源负载预测(英文)[J];Journal of Southeast University(English Edition);2009年04期
4 李精明;赵成豹;;一种俄制锅炉水位自动控制系统原理分析[J];锅炉制造;2011年03期
5 肖建昆;郁飞;;柴油机状态在线监测与故障诊断系统开发[J];江苏科技大学学报(自然科学版);2006年01期
6 谷波;韩华;洪迎春;康嘉;;基于SVM的制冷系统多故障并发检测与诊断[J];化工学报;2011年S2期
7 马智宏,王新全;船舶动力装置进程的历史、现状与展望(续)[J];航海技术;2003年04期
8 邹新祥;;6S60MC主机起动故障一例[J];航海技术;2010年03期
9 杨慧青;侯仲淼;郑金花;王晓运;詹玉龙;;从一起船舶主机拉缸故障谈柴油机润滑油的选用[J];航海技术;2012年01期
10 付乾坤;;废热锅炉烟管严重漏水故障的原因分析[J];机电设备;2011年03期
中国重要会议论文全文数据库 前2条
1 詹玉龙;刘明明;李邦辉;;基于支持向量机的船用主柴油机气缸盖故障诊断[A];第十五届全国大功率柴油机学术会议论文集[C];2007年
2 施祝斌;詹玉龙;聂道汶;;船用大功率柴油机的安全管理——疲劳与压力对安全的影响[A];第十五届全国大功率柴油机学术会议论文集[C];2007年
中国博士学位论文全文数据库 前8条
1 肖文斌;基于耦合隐马尔可夫模型的滚动轴承故障诊断与性能退化评估研究[D];上海交通大学;2011年
2 周勃;基于盲分离的空调机组故障振声诊断研究[D];沈阳工业大学;2008年
3 柳玉甜;未知环境中移动机器人故障诊断技术的研究[D];浙江大学;2007年
4 牛晓颖;基于傅立叶变换近红外光谱的绍兴黄酒风味成分定量分析及其酒龄鉴别的研究[D];浙江大学;2009年
5 张波;CSP板级封装在跌落冲击载荷下的可靠性研究[D];上海交通大学;2008年
6 范黎林;基于产业链协作平台的商务智能架构及数据挖掘技术研究[D];西南交通大学;2009年
7 杨柳松;基于小波分析与神经网络滚动轴承故障诊断方法的研究[D];东北林业大学;2013年
8 朱可恒;滚动轴承振动信号特征提取及诊断方法研究[D];大连理工大学;2013年
中国硕士学位论文全文数据库 前10条
1 生翔九;并联充电式混合动力驱动系统故障诊断分析仪开发[D];武汉理工大学;2011年
2 赵俊杰;基于模糊神经网络的汽车故障诊断方法研究[D];杭州电子科技大学;2011年
3 金永夫;车辆故障诊断专家系统的研究和设计[D];浙江工业大学;2010年
4 冯纯才;面向服务的维修管理系统的设计与实现[D];哈尔滨工业大学;2010年
5 孙旺;汽车起重机关键部件智能故障诊断系统开发[D];上海交通大学;2012年
6 周徐宁;基于特征加权连续隐马尔可夫模型的故障诊断方法研究[D];上海交通大学;2012年
7 李光明;风电偏航驱动减速机抗疲劳机理研究[D];湖南大学;2011年
8 安政光;近红外光谱在老陈醋定量与定性分析中的应用研究[D];中北大学;2012年
9 解华金;机损事故数据库和安全管理辅助系统的开发和研究[D];上海海运学院;2002年
10 任佩红;模糊神经网络在车辆故障诊断专家系统中的应用[D];合肥工业大学;2003年
【同被引文献】
中国期刊全文数据库 前10条
1 钟代军;;浅析Bayesian分类的应用[J];电脑知识与技术;2008年23期
2 肖培灵;马军海;耿立艳;;基于灰色支持向量机组合模型的农产品产量预测[J];中国农机化;2010年01期
3 赵宇海;武晓新;刘志勇;印莹;;一种有效的基因投影聚类算法[J];广西师范大学学报(自然科学版);2009年01期
4 钟尚平;徐巧芬;陈羽中;何凤英;;一种基于LSB序列局部特征的通用隐写检测方法[J];电子学报;2013年02期
5 蒋辉;王志忠;;基于灰色系统的支持向量回归预测方法[J];经济数学;2009年02期
6 赵卫中;马慧芳;傅燕翔;史忠植;;基于云计算平台Hadoop的并行k-means聚类算法设计研究[J];计算机科学;2011年10期
7 林耀进;周忠眉;吴顺祥;;集成灰色支持向量机预测模型研究与应用[J];计算机应用;2009年12期
8 周丽娟;王慧;王文伯;张宁;;面向海量数据的并行KMeans算法[J];华中科技大学学报(自然科学版);2012年S1期
9 李晓东;席升阳;潘立;;基于最小二乘支持向量机的中国粮食产量预测模型研究[J];水土保持研究;2007年06期
10 陈凯;朱钰;;机器学习及其相关算法综述[J];统计与信息论坛;2007年05期
中国重要会议论文全文数据库 前1条
1 马凯;苏一丹;;一种基于序列相似性的蚁群聚类算法[A];广西计算机学会2009年年会论文集[C];2009年
中国硕士学位论文全文数据库 前2条
1 周艳丽;基于主动学习SVM的智能车辆障碍物检测[D];南京理工大学;2008年
2 邓自立;云计算中的网络拓扑设计和Hadoop平台研究[D];中国科学技术大学;2009年
【二级参考文献】
中国期刊全文数据库 前9条
1 任春辉,魏平,肖先赐;改进的Morlet小波在信号特征提取中的应用[J];电波科学学报;2003年06期
2 顾宏中,郭中朝,盛涤新;增压柴油机模拟计算研究与改进[J];内燃机工程;1982年02期
3 邓名华,范维澄;由喷油规律预测直喷式柴油机整机性能的研究[J];内燃机学报;2000年02期
4 张振仁,石林锁,王成栋,薛模根,陈祥初;基于小波分析和时序分析的柴油机气缸压力识别[J];内燃机学报;1999年02期
5 穆海林,陈白欣,孙民;柴油机燃烧系统最优化动态辩识[J];燃烧科学与技术;1996年02期
6 陈长征,张国福;旋转机械故障神经网络诊断征兆表的建立[J];石油化工高等学校学报;2000年01期
7 胡兆勇,屈梁生;一种贝叶斯诊断网络的拓扑结构[J];西安交通大学学报;2003年11期
8 沈标正,马竹梧;直流电机故障诊断专家系统[J];冶金自动化;2003年01期
9 屈梁生,吴松涛;统计模拟在工程诊断中的一些应用[J];振动、测试与诊断;2001年03期
【相似文献】
中国期刊全文数据库 前10条
1 阎辉,张学工,李衍达;支持向量机与最小二乘法的关系研究[J];清华大学学报(自然科学版);2001年09期
2 吴成东,杜崇峰,杨丽英;基于误差修正码的支持向量机大类别分类方法[J];沈阳建筑工程学院学报(自然科学版);2004年01期
3 朱金好,罗晓萍;基于决策树型SVM的交通标志图像识别[J];长沙理工大学学报;2004年02期
4 胡桥,何正嘉,张周锁,訾艳阳;经验模式分解模糊特征提取的支持向量机混合诊断模型[J];西安交通大学学报;2005年03期
5 杨凌,刘玉树;基于支持向量机的坦克识别算法[J];影像技术;2005年02期
6 胡正平;基于模糊K近邻决策的柔性SVM分类算法[J];仪器仪表学报;2005年S2期
7 李忠伟,张健沛,杨静;基于支持向量机的增量学习算法研究[J];哈尔滨工程大学学报;2005年05期
8 王春歆;李连;张玉叶;;树形结构SVMs多类分类的研究[J];海军航空工程学院学报;2005年02期
9 李亚巍;卞双;;支持向量回归机理论及其应用[J];中国电力教育;2005年S2期
10 任博;张喜斌;张恒喜;;基于最小二乘支持向量机的飞机备件多元分类[J];电光与控制;2006年02期
中国重要会议论文全文数据库 前10条
1 林杰华;张斌;李冬森;宋华茂;余志强;王浩;;支持向量机在电力客户信用评级中的应用[A];全国第21届计算机技术与应用学术会议(CACIS·2010)暨全国第2届安全关键技术与应用学术会议论文集[C];2010年
2 蒋铁军;张怀强;李积源;;多变量系统预测的支持向量机方法研究[A];管理科学与系统科学研究新进展——第7届全国青年管理科学与系统科学学术会议论文集[C];2003年
3 黄淑云;孙兴玉;梁汝萍;邱建丁;;基于小波支持向量机预测蛋白质亚细胞定位研究[A];第十一届全国计算(机)化学学术会议论文摘要集[C];2011年
4 谢湘;匡镜明;;支持向量机在语音识别中的应用研究[A];现代通信理论与信号处理进展——2003年通信理论与信号处理年会论文集[C];2003年
5 涂冬成;薛龙;刘木华;赵进辉;沈杰;吁芳;;基于支持向量机的鹅肉肉色客观评定研究[A];中国农业工程学会电气信息与自动化专业委员会、中国电机工程学会农村电气化分会科技与教育专委会2010年学术年会论文摘要[C];2010年
6 杨凌;刘玉树;;基于支持向量机的坦克识别算法[A];第三届全国数字成像技术及相关材料发展与应用学术研讨会论文摘要集[C];2004年
7 师旭超;巴松涛;;基于支持向量机方法的深基坑变形预测[A];科技、工程与经济社会协调发展——河南省第四届青年学术年会论文集(上册)[C];2004年
8 张军;;支持向量机方法在地下水位干扰排除中的初步应用[A];2007年地震流体学术研讨会论文摘要集[C];2007年
9 许建生;盛立东;;基于改进的支持向量机和BP神经网络的识别算法[A];第八届全国汉字识别学术会议论文集[C];2002年
10 荣海娜;张葛祥;张翠芳;;基于支持向量机的非线性系统辨识方法[A];中国自动化学会、中国仪器仪表学会2004年西南三省一市自动化与仪器仪表学术年会论文集[C];2004年
中国重要报纸全文数据库 前10条
1 课题主持人 李心丹 课题协调人 上海证券交易所 施东晖 傅浩 课题研究员 宋素荣 查晓磊 宾红辉 张许宏 郭静静 黄隽 南京大学工程管理学院;内幕交易与市场操纵的行为动机与判别监管研究[N];中国证券报;2007年
2 李水根;计算机详解配伍与药效关系[N];健康报;2005年
3 清华大学 苏光大;非接触式人脸识别技术[N];计算机世界;2006年
4 YMG记者 李仁 通讯员 曲华明 孙运智;我市九项目进入省“盘子”[N];烟台日报;2010年
5 上海大学理学院教授、副院长 陆文聪;酷爱化学 孜孜以求[N];中国化工报;2006年
6 ;选择合适的数据挖掘算法[N];计算机世界;2007年
7 周颖;王米渠与中医心理学[N];中国中医药报;2006年
8 记者 耿挺;蛋白质功能算出来[N];上海科技报;2007年
9 记者 张云普通讯员 全攀峰 安强强;大庆物探深度域地震资料岩性解释技术获得五大突破[N];中国石油报;2008年
10 本报记者 冯治恩;敢与“雷公”试比高[N];铜川日报;2008年
中国博士学位论文全文数据库 前10条
1 刘叶青;原始空间中支持向量机若干问题的研究[D];西安电子科技大学;2009年
2 常甜甜;支持向量机学习算法若干问题的研究[D];西安电子科技大学;2010年
3 胡运红;支持向量机的若干算法研究[D];山东科技大学;2011年
4 杜小芳;基于CPFR的农产品采购模型研究[D];华中科技大学;2005年
5 刘育明;动态过程数据的多变量统计监控方法研究[D];浙江大学;2006年
6 栾锋;支持向量机(SVM)和径向基神经网络(RBFNN)方法在化学、环境化学和药物化学中的应用研究[D];兰州大学;2006年
7 孙薇;市场条件下抽水蓄能电站效益综合评价及运营模式研究[D];华北电力大学(河北);2007年
8 常群;支持向量机的核方法及其模型选择[D];哈尔滨工业大学;2007年
9 周喜川;非可信环境下的支持向量机研究[D];浙江大学;2010年
10 赵莹;半监督支持向量机学习算法研究[D];哈尔滨工程大学;2010年
中国硕士学位论文全文数据库 前10条
1 刘艳伟;支持向量机方法在感潮河段洪峰水位预报中的应用[D];浙江大学;2010年
2 杨镭;支持向量机算法设计及在高分辨雷达目标识别中的应用[D];国防科学技术大学;2010年
3 童振;基于支持向量机的电解液成分预测[D];东北大学;2008年
4 聂小芳;模糊粗糙集与支持向量机在煤与瓦斯突出预测中的应用研究[D];辽宁工程技术大学;2009年
5 鄢常亮;基于支持向量机的高炉向凉向热炉况预测研究[D];内蒙古科技大学;2010年
6 韩叙东;基于支持向量机的水电故障分类器的设计与实现[D];东北大学;2008年
7 冯杰;慢时变对象的支持向量机建模与在线校正方法研究[D];东北大学;2009年
8 朱耿峰;支持向量机在冲击地压预测模型中的应用研究[D];山东科技大学;2010年
9 王奇安;基于广泛内核的CVM算法研究及参数C的选择[D];南京航空航天大学;2009年
10 张永新;基于支持向量机和遗传算法相结合的模拟电路故障诊断方法研究[D];东北大学;2009年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026