基于LMD和SVM的動(dòng)力機(jī)械故障診斷方法研究.pdf

1、動(dòng)力機(jī)械故障診斷對(duì)于人們的人身和財(cái)產(chǎn)安全具有重要意義。動(dòng)力機(jī)械故障診斷的過(guò)程一般包括信號(hào)采集、信號(hào)處理和模式識(shí)別三個(gè)主要部分。其中，信號(hào)處理和模式識(shí)別是故障診斷的關(guān)鍵。本文將最新的時(shí)頻分析方法局部均值分解(Localmeandecomposition，LMD)和先進(jìn)的模式識(shí)別方法支持向量機(jī)(SupportVectorMachine，SVM)結(jié)合應(yīng)用于動(dòng)力機(jī)械典型故障的診斷中。LMD方法能夠自適應(yīng)的將一個(gè)復(fù)雜的多分量調(diào)頻調(diào)幅信號(hào)分解為若干

2、個(gè)瞬時(shí)頻率有物理意義的乘積函數(shù)(ProductionFunction，PF)之和，其中每一個(gè)PF分量由一個(gè)包絡(luò)信號(hào)和一個(gè)純調(diào)頻信號(hào)相乘得到，包絡(luò)信號(hào)就是該P(yáng)F分量的瞬時(shí)幅值，而PF分量的瞬時(shí)頻率可以由純調(diào)頻信號(hào)求出。將所有PF分量的瞬時(shí)頻率和瞬時(shí)幅值相組合，便可以得到信號(hào)的時(shí)頻分布[1]。相比神經(jīng)網(wǎng)絡(luò)SVM沒有過(guò)學(xué)習(xí)和欠學(xué)習(xí)的問(wèn)題，而且具有小樣本、非線性、高維模式識(shí)別的特點(diǎn)。本文利用SVM對(duì)航空發(fā)動(dòng)機(jī)典型故障進(jìn)行診斷，結(jié)果表明SVM是一

3、種有效的故障診斷方法。利用LMD和SVM相結(jié)合對(duì)柴油機(jī)氣門故障進(jìn)行診斷，結(jié)果表明將LMD方法和SVM相結(jié)合應(yīng)用于故障診斷中是一種行之有效的辦法。
　　本文主要開展了以下幾個(gè)方面的工作：
　　1.實(shí)驗(yàn)數(shù)據(jù)的采集：利用LMS數(shù)據(jù)采集系統(tǒng)采集WP7柴油機(jī)第一缸缸蓋在正常和故障條件下振動(dòng)信號(hào)。
　　2.介紹了LMD方法分解的原理，分析了該方法的不足，并提出改進(jìn)策略。通過(guò)對(duì)仿真信號(hào)的分析，發(fā)現(xiàn)改進(jìn)LMD算法無(wú)論是精度還是計(jì)算速度

4、都優(yōu)于原算法。并利用改進(jìn)算法對(duì)軸承的內(nèi)、外圈故障進(jìn)行分析，進(jìn)一步證明了改進(jìn)LMD算法的有效性。
　　3.介紹了SVM的原理，并對(duì)SVM的參數(shù)尋優(yōu)問(wèn)題進(jìn)行了深入研究。提出遺傳粒子群混合(GAPSO)算法和改進(jìn)粒子群算法。利用iris數(shù)據(jù)對(duì)算法進(jìn)行驗(yàn)證，結(jié)果表明采用所提出的算法對(duì)SVM參數(shù)進(jìn)行尋優(yōu)后，SVM的分類準(zhǔn)確率得到了明顯的提高，并且運(yùn)算速度也得到了一定程度的提升。
　　4.利用航空發(fā)動(dòng)機(jī)故障影響系數(shù)矩陣生成航空發(fā)動(dòng)機(jī)典型

5、故障樣本，運(yùn)用GAPSO-SVM算法對(duì)航空發(fā)動(dòng)機(jī)典型故障進(jìn)行診斷并與其它典型故障診斷算法進(jìn)行對(duì)比，結(jié)果表明GAPSO-SVM算法優(yōu)于BP神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)、SVM算法、GA-SVM算法。
　　5.利用改進(jìn)LMD算法對(duì)柴油機(jī)氣門故障信號(hào)進(jìn)行特征提取，然后用改進(jìn)PSO-SVM作為分類器對(duì)柴油機(jī)氣門故障進(jìn)行診斷，實(shí)驗(yàn)結(jié)果表明該方法適合應(yīng)用于柴油機(jī)氣門故障診斷。
　　6.利用matlabGUI編寫基于SVM和神經(jīng)網(wǎng)絡(luò)的故障診斷