基于支持向量机与遗传算法的故障模式识别及趋势预测方法研究

摘要

本文开展了基于支持向量机(SupportVectorMachine---SVM)与遗传算法(GeneticAlgorithms--GA)的故障模式识别及趋势预测方法研究，利用支持向量机对滚动轴承典型故障进行了模式识别，同时应用预测模型对齿轮状态趋势进行预测，并利用遗传算法分别对支持向量机分类过程和趋势预测过程进行了优化分析，主要工作如下:
　　 (1)基于SVM可以解决小样本学习问题这一优点，提出利用SVM对滚动轴承在正常、内圈缺陷、外圈缺陷和滚动体缺陷条件下工作的四种状态信号进行识别分类，为了提高分类识别率，利用遗传算法具有优良空间搜索性能的特点，对分类过程中的两个重要核参数初始值进行优化，提出了基于GA算法的改进SVM识别方法，研究结果表明:核参数初始值经过GA优化后SVM分类识别率得到了明显提高，能较好地实现轴承典型故障类型的识别。
　　 (2)为解决低转速滚动轴承故障特征难以提取的问题，利用小波变换技术具有高低频分离、局部细化和时频域内特征提取等性能优点，提出基于小波变换技术的低转速滚动轴承故障特征提取方法，对低转速轴承正常、外圈缺陷、内圈缺陷和滚动体缺陷等四种状态下的振动信号进行诊断分析，并结合SVM对轴承典型故障进行了分类识别，由分析结果可知，利用小波变换与支持向量机技术相结合的方法处理低转速滚动轴承故障问题能够取得很好的效果。
　　 (3)为了预测齿轮状态趋势发展状况，建立三阶函数方程预测模型对齿轮趋势发展进行模拟分析研究，利用GA良好的空间搜索性，提出基于GA的预测模型函数优化方法，将获得的新预测模型函数与通过线性拟合原理获得的二阶、三阶函数做了对比分析研究。研究结果显示:经过GA优化后获得的三阶函数方程预测模型能够实现齿轮故障趋势发展预测模拟。

目录

声明

学位论文数据集

摘要

第一章 绪论

1．1 课题的意义

1．2 故障诊断发展及其趋势

1．3 滚动轴承故障类型及特点

1．4 滚动轴承故障诊断技术

1．5 课题来源及主要研究内容

第二章 支持向量机原理简介及其应用

2．1 支持向量机基本理论

2．2 支持向量机应用

2．3 基于SVM技术的滚动轴承故障识别

2．3．1 实验装置

2．3．2 数据处理

2．3．3 实验结果

2．4 本章小结

第三章 基于遗传算法的SVM优化改进

3．1 遗传算法原理简介

3．2 遗传算法应用介绍

3．3 基于GA的SVM分类参数优化

3．3．1 遗传算法优化性能实验结果

3．3．2 分析讨论

3．4 本章小结

第四章 基于小波变换的低转速滚动轴承故障诊断

4．1 小波变换技术介绍

4．2 小波变换在低转速滚动轴承故障诊断中的应用

4．2．1 实验装置

4．2．2 实验结果

4．3 采用SVM识别低转速信号

4．3．1 采用特征参数进行分类

4．3．2 选用高敏感性特征参数进行分类识别

4．4 本章小结

第五章 齿轮故障趋势发展预测

5．1 齿轮趋势发展研究概述

5．2 实验结构装置

5．3 齿轮故障趋势发展预测分析方法

5．4 实验结果

5．4．1 特征参数选择

5．4．2 峭度作为特征参数进行预测

5．5 本章小结

第六章 总结和展望

6．1 总结

6．2 问题与展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介

硕士研究生学位论文答辩委员会决议书