收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于支持向量机的滚动轴承故障诊断与预测方法研究

肖雅静  
【摘要】:作为机械的重要组成部件,滚动轴承的状态对整个机械系统的运行有着重要影响,如果滚动轴承发生故障可能引发机械系统偏离正常的工作状态,甚至造成停机、停产、机械损毁。所以开展滚动轴承的故障诊断和预测研究尤为重要,它对保障机械设备的长期、稳定运行有着重要作用。通过对滚动轴承信号进行采集,特征提取,智能分析可以尽早发现或者预知滚动轴承将要发生的故障,从而采取检修或者更换等手段,避免由于滚动轴承故障而引发一系列重大的生产安全事故和不必要的经济损失。为了更好地辨识滚动轴承轻微故障,提高故障诊断的准确率,本文将采用距离评估技术筛选的时域参数和频域参数与IMF能量矩及基于EMD-SVD方法提取的特征相融合组成多域特征集以挖掘潜藏在动态信号中的故障信息。在已建立多域特征集的基础上运用高斯核函数支持向量机对滚动轴承进行故障诊断。实验数据分析表明,采用多域特征集方法对滚动轴承进行故障诊断的诊断正确率高达98.75%,高于采用任一单特征的故障诊断正确率。此外,本文也分析了单特征对滚动轴承不同故障的敏感性。在实际的工业应用场合,滚动轴承正常样本的数量远远多于故障样本的数量,样本不平衡会导致支持向量机的分类超平面发生倾斜,从而导致模型分类不准确,在其他模式识别方法中也存在类似的问题。本文提出将采用基于概率密度空间划分的符号化方法提取特征的异常诊断方法与支持向量机相结合的双步故障诊断模型,以解决正常样本和故障样本之间的不平衡造成的支持向量机分类超平面发生倾斜的问题。实验数据分析表明,本文提出的双步诊断模型的故障诊断正确率比支持向量机单步故障诊断的正确率提高了 3.34%。除了上述的正常轴承样本与故障轴承样本之间的不平衡问题,在轴承故障样本之间也存在样本不平衡问题。本文在双步诊断模型的基础上采用遗传操作生成“少样本类”故障样本,并将生成的一部分样本补充到原始样本中,达到故障样本类之间的平衡,然后用平衡样本对支持向量机进行训练。对于生成的“少样本类”故障样本,本文采用加权欧式距离对其进行挑选。由于对分类贡献相对大的特征参数被赋予了更大的权值,因此此判别条件筛选的样本更有利于建立准确的分类模型。参考以往学者提出的在工业应用中滚动轴承故障样本之间的比例,选择滚动体故障轴承样本与内圈故障轴承样本组成不平衡样本进行故障样本不平衡问题的研究。实验数据分析表明,采用不平衡样本训练支持向量机,故障诊断正确确率为90%,采用平衡样本训练支持向量机,故障诊断正确率为100%,提高了 10%。本文提出了一种以IMF分量值为输入特征的基于支持向量机的组合预测模型。该模型首先对轴承信号进行EMD分解,将分解得到的IMF分量按照其波动程度分成高频振动序列和低频振动序列两组,并将两组分别重构为高频子序列信号和低频子序列信号,然后选择IMF分量为输入特征,采用支持向量机对高频子序列信号和低频子序列信号分别进行预测,最后将预测的值叠加得到最终的预测结果。由于高频子序列和低频子序列在变化趋势上存在差异,所以理论上这种方法能够提高预测的精度。本文采用滚动轴承实验数据进行了验证,结果表明组合预测方法的均方根误差、平均绝对误差和平均绝对百分比误差都远小于直接预测方法。直接预测方法的平均绝对百分比误差为11.49%,而组合预测方法的平均绝对百分比误差仅为6.54%,远低于直接预测方法。实验数据分析结果证明了本文提出的组合预测模型的有效性。本文也将此组合预测模型应用于洗煤厂设备滚动轴承的状况预测,预测情况与实际情况相符合。


知网文化
【相似文献】
中国期刊全文数据库 前15条
1 崔丽珍;边泽山;;基于改进支持向量机的温室大棚温度预测[J];科技创新与应用;2020年10期
2 马旭霞;;支持向量机理论及应用[J];科学技术创新;2019年02期
3 江少杰;宁纪锋;李云松;;加权间隔结构化支持向量机目标跟踪算法[J];中国图象图形学报;2017年09期
4 李娜;孙乐;胡一楠;李笑;王亚南;;模糊型支持向量机及其在入侵检测中的应用[J];科技创新与应用;2018年11期
5 邵元海;杨凯丽;刘明增;王震;李春娜;陈伟杰;;从支持向量机到非平行支持向量机[J];运筹学学报;2018年02期
6 高钦姣;张胜刚;贾晓薇;;基于支持向量机的股票价格预测模型研究与应用[J];课程教育研究;2016年28期
7 林香亮;袁瑞;孙玉秋;王超;陈长胜;;支持向量机的基本理论和研究进展[J];长江大学学报(自科版);2018年17期
8 安悦瑄;丁世飞;胡继普;;孪生支持向量机综述[J];计算机科学;2018年11期
9 梁武;苏燕;;一种新的基于类内不平衡数据学习支持向量机算法[J];科技通报;2017年09期
10 吴青;梁勃;;分段熵光滑支持向量机性能研究[J];计算机工程与设计;2015年08期
11 牛犇;顾宏斌;孙瑾;周来;周扬;;有向无环图-双支持向量机的多类分类方法[J];计算机应用与软件;2015年11期
12 赵芳;马玉磊;;自训练半监督加权球结构支持向量机多分类方法[J];重庆邮电大学学报(自然科学版);2014年03期
13 候明;张新新;范丽亚;;四类基于支持向量机的多类分类器的性能比较[J];聊城大学学报(自然科学版);2014年03期
14 张小琴;贾郭军;;一种采用粗糙集和遗传算法的支持向量机[J];山西师范大学学报(自然科学版);2013年01期
15 黄娟;唐轶;王军霞;;贪婪支持向量机的分析及应用[J];计算机工程与应用;2012年24期
中国重要会议论文全文数据库 前10条
1 王晓红;;一种改进多类支持向量机加权后验概率重构策略[A];2009中国控制与决策会议论文集(3)[C];2009年
2 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届(2011)中国管理学年会——商务智能分会场论文集[C];2011年
3 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年
4 郭一楠;程健;肖大伟;杨梅;;分布式多分类支持向量机[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
5 汪荣贵;孙见青;胡琼;李守毅;;一种新的支持向量机决策树及其应用[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年
6 伍敏;苏鹏宇;刘金福;于达仁;;基于RVM和SVM的风速预测研究[A];2012电站自动化信息化学术和技术交流会议论文集[C];2012年
7 曾江辉;耿金凤;汪邦军;郝建春;;面向时间序列质量波动预测的支持向量机回归模型研究[A];使命与责任—以质量方法促转型升级——第五届中国质量学术与创新论坛论文集(上)[C];2012年
8 刘爽;贾传荧;;一种加权支持向量机算法[A];通信理论与信号处理新进展——2005年通信理论与信号处理年会论文集[C];2005年
9 张晓滨;尹英顺;赵培坤;马秀兰;;基于渐进直推支持向量机的半对半多类文本分类[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
10 张立刚;李海丽;;基于最小二乘支持向量机的协调系统预测[A];第六届全国信息获取与处理学术会议论文集(3)[C];2008年
中国博士学位论文全文数据库 前10条
1 肖雅静;基于支持向量机的滚动轴承故障诊断与预测方法研究[D];中国矿业大学(北京);2019年
2 彭诗力;大规模混合数据分类的核方法研究[D];天津大学;2017年
3 胡庆辉;非稀疏多核支持向量机学习方法研究[D];武汉大学;2015年
4 李海生;支持向量机回归算法与应用研究[D];华南理工大学;2005年
5 阎满富;求解分类问题的支持向量机方法与应用研究[D];中国农业大学;2005年
6 陈素根;非平行平面支持向量机及特征提取中若干问题研究[D];江南大学;2016年
7 王瑜;基于支持向量机和多信息融合的局部放电故障诊断研究[D];华北电力大学;2015年
8 黄景涛;支持向量机算法参数选择及其在电站锅炉系统中的应用研究[D];浙江大学;2005年
9 黄华娟;孪生支持向量机关键问题的研究[D];中国矿业大学;2014年
10 唐发明;基于统计学习理论的支持向量机算法研究[D];华中科技大学;2005年
中国硕士学位论文全文数据库 前10条
1 张嘎;基于股市大小盘风格轮动效应的择时策略实证研究[D];浙江工商大学;2019年
2 陈冰兰;基于支持向量机的信用评级研究[D];西南财经大学;2019年
3 雍紫阳;集成二次曲面支持向量机在个人信贷风险评估中的应用[D];西南财经大学;2019年
4 朱丽叶;基于特征工程应用的支持向量机对非寿险公司破产预测[D];西南财经大学;2019年
5 刘佳;支持向量机在不平衡数据分类中的研究与应用[D];厦门大学;2019年
6 秦启炜;基于特征关系的草图分类[D];大连理工大学;2019年
7 王旭峰;基于支持向量机与模糊贝叶斯方法的煤矿事故致因研究[D];中国矿业大学;2019年
8 杨学东;基于支持向量机的高光谱多类别分类研究[D];西安电子科技大学;2011年
9 梅新明;基于支持向量机的房颤识别研究及常见心律失常监护系统模型设计与实现[D];电子科技大学;2019年
10 王一帆;基于支持向量机和探地雷达技术的公路浅层病害检测研究[D];华北水利水电大学;2019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
  • 010-62982499
  • 010-62783978