基于支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷與預(yù)測方法研究

基于支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷與預(yù)測方法研究華北電力大學(xué)朱霄珣2013-3基本定義故障診斷：就是對設(shè)備的運(yùn)行狀態(tài)進(jìn)行判別，通過研究故障與特征之間的關(guān)系區(qū)分運(yùn)行狀態(tài)的故障與否，以及診斷發(fā)生何種具體故障。設(shè)備狀態(tài)預(yù)測：根據(jù)對設(shè)備連續(xù)監(jiān)測所得到的歷史數(shù)據(jù)來確定設(shè)備目前的運(yùn)行狀態(tài)，并預(yù)測其發(fā)展趨勢及設(shè)備的殘存壽命。故障診斷三步驟數(shù)據(jù)采集。獲取設(shè)備的運(yùn)行狀態(tài)的相關(guān)參數(shù)，由傳感器等儀器完成；1特征提取。提取隱含在狀態(tài)信息中的特征信息，最常用的方式是信號處理技術(shù)；2狀態(tài)的判別，即模式識別。分析并診斷設(shè)備的運(yùn)行狀態(tài)。3機(jī)器識別稱為智能診斷方法，即利用機(jī)器對故障特征進(jìn)行分辨，進(jìn)而做出診斷。.人工識別即在信號處理的基礎(chǔ)上，通過操作人員的專業(yè)知識對故障特征進(jìn)行分析，得到診斷結(jié)論.模式識別智能診斷的瓶頸小樣本問題?，F(xiàn)有的智能診斷方法一般是建立在訓(xùn)練樣本數(shù)目無限基礎(chǔ)上特征選取的問題。需要提取清晰的、能夠反映故障本質(zhì)的特征，特征選取的不恰當(dāng)會大大降低診斷的準(zhǔn)確性。信號處理技術(shù)1、傅里葉變換2、小波變換3、Wigner-Vill 分布4、經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)5、其他方法：相關(guān)分析、倒頻譜分析、細(xì)化普分析、階比譜分析、高階譜分析、全息譜分析、分形維數(shù)、混純等分析技術(shù)的引入信號處理技術(shù)時頻分析方法是解決非平穩(wěn)問題的最有效手段，但小波等方法存在的時頻聚集性較低的問題以及Wigner-Vill中存在的交叉項(xiàng)等問題極大的限制了這些方法的應(yīng)用。EMD方法在很大程度上克服了其他時頻方法的不足，然而虛假分量一直是制約EMD發(fā)展的突出問題。智能故障診斷方法專家系統(tǒng)方法（復(fù)雜多變的問題面前則顯得無力）神經(jīng)網(wǎng)絡(luò)方法(1)高維情況下非線性處理能力下降；(2)在建立模型時存在收斂速度慢，易陷入局部極小值等問題；(3)泛化性能差，當(dāng)樣本選擇不當(dāng)或樣本之間不具有正交性和完備性，這一問題就顯得更為突出；(4)小樣本處理能力較弱。智能故障診斷方法支持向量機(jī)方法（SVM）(1)很強(qiáng)的泛化能力；(2)有效地解決了其他方法不能解決的小樣本問題；(3)引入核函數(shù)較好地解決了非線性問題，而且該算法克服了神經(jīng)網(wǎng)絡(luò)等方法運(yùn)算速度慢，訓(xùn)練時容易陷入局部極小值等不足，在理論上保證了算法的全局最優(yōu)解。預(yù)測方法傳統(tǒng)預(yù)測方法：時間序列法、回歸分析法以及灰度預(yù)測方法等缺點(diǎn)：處理非平穩(wěn)問題和非線性問題的能力較弱存在模型參數(shù)難以確定的問題很多時候不能滿足預(yù)測精度的要求。預(yù)測方法智能預(yù)測方法：神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)方法、模糊邏輯方法等神經(jīng)網(wǎng)絡(luò)方法缺點(diǎn)：模型的最終解過于依賴初值泛化能力不強(qiáng)需要的樣本數(shù)據(jù)量大且訓(xùn)練速度較慢，很可能收斂于局部極小點(diǎn)。網(wǎng)絡(luò)結(jié)構(gòu)難以確定，缺乏相應(yīng)的理論依據(jù)做指導(dǎo)，基本上是憑經(jīng)驗(yàn)和反復(fù)試驗(yàn)的方法，如隱含層節(jié)點(diǎn)數(shù)目的確定等。模糊邏輯方法自學(xué)習(xí)能力差模糊建模困難預(yù)測精度取決于經(jīng)驗(yàn)的豐富程度以及將經(jīng)驗(yàn)轉(zhuǎn)化為語言規(guī)則的歸納水平SVM方法繼承了分類算法較強(qiáng)的非線性問題處理能力。由于SVM首次應(yīng)用結(jié)構(gòu)風(fēng)險最小化原則，更使得SVR在預(yù)測方面有著較為突出的優(yōu)勢。預(yù)測方法組合預(yù)測方法精度極大地依賴于各單一模型的精度，預(yù)測結(jié)果較不穩(wěn)定研究1：基于遺傳算法的支持向量機(jī)樣本平衡方法故障樣本一般少于正常樣本，所以普遍存在不平衡樣本問題。支持向量機(jī)在遇到樣本不平衡問題時，往往造成“少樣本類”的誤診。提出了基于遺傳算法的樣本平衡方法，利用遺傳算法中的交叉、變異方式生成子代樣本，對“少樣本類”進(jìn)行繁殖擴(kuò)充，得到更多的該類樣本進(jìn)而達(dá)到兩類樣本的平衡。為使擴(kuò)充的樣本更具有針對性，更有利于形成正確的“分類超平面”，給出了父代樣本的選擇方法以及子代樣本的評價方法。研究2:提出一種識別EMD方法虛假分量的方法提出基于K-L散度的虛假分量識別方法該方法利用K-L散度來評價EMD分解得到的各個分量與原信號的關(guān)系程度，分量與原信號之間的K-L散度越小，關(guān)系程度越大，分量的真實(shí)性就越高，反之虛假性就越高，虛假分量通過設(shè)定閾值進(jìn)行判別。給出了閾值設(shè)定方法。研究3：提出了基于EMD特征提取的支持向量機(jī)算法針對預(yù)測模型特征選取的問題，提出了基于EMD特征提取的支持向量機(jī)算法（EMD-SVM)利用EMD分解后各時間點(diǎn)的分量值作為特征，并與該時間點(diǎn)對應(yīng)的時間序列值（目標(biāo)值）共同構(gòu)成樣本，建立預(yù)測模型，并通過實(shí)驗(yàn)證明其較高的準(zhǔn)確性和穩(wěn)定性。研究4：提出了基于信息熵的樣本長度選擇方法大規(guī)模訓(xùn)練樣本問題是困擾SVM計(jì)算速度提升的瓶頸方法的基本思想：選取與預(yù)測點(diǎn)最相關(guān)的歷史數(shù)據(jù)作為訓(xùn)練樣本，保證數(shù)據(jù)信息的完備性和不冗余。具體做法：在歷史數(shù)據(jù)中從前向后依次選取不同的位置作為起始點(diǎn)截取時間序列，計(jì)算不同起始點(diǎn)截得時間序列的信息熵值。將對應(yīng)信息熵最小的起始點(diǎn)作為新時間坐標(biāo)軸的