基于支持向量机的旋转机械故障诊断与预测方法研究

基于支持向量机的旋转机械故障诊断与预测方法研究华北电力大学朱霄珣2013-3基本定义故障诊断：就是对设备的运行状态进行判别，通过研究故障与特征之间的关系区分运行状态的故障与否，以及诊断发生何种具体故障。设备状态预测：根据对设备连续监测所得到的历史数据来确定设备目前的运行状态，并预测其发展趋势及设备的残存寿命。故障诊断三步骤数据采集。获取设备的运行状态的相关参数，由传感器等仪器完成；1特征提取。提取隐含在状态信息中的特征信息，最常用的方式是信号处理技术；2状态的判别，即模式识别。分析并诊断设备的运行状态。3机器识别称为智能诊断方法，即利用机器对故障特征进行分辨，进而做出诊断。.人工识别即在信号处理的基础上，通过操作人员的专业知识对故障特征进行分析，得到诊断结论.模式识别智能诊断的瓶颈小样本问题。现有的智能诊断方法一般是建立在训练样本数目无限基础上特征选取的问题。需要提取清晰的、能够反映故障本质的特征，特征选取的不恰当会大大降低诊断的准确性。信号处理技术1、傅里叶变换2、小波变换3、Wigner-Vill 分布4、经验模态分解(EMD)5、其他方法：相关分析、倒频谱分析、细化普分析、阶比谱分析、高阶谱分析、全息谱分析、分形维数、混纯等分析技术的引入信号处理技术时频分析方法是解决非平稳问题的最有效手段，但小波等方法存在的时频聚集性较低的问题以及Wigner-Vill中存在的交叉项等问题极大的限制了这些方法的应用。EMD方法在很大程度上克服了其他时频方法的不足，然而虚假分量一直是制约EMD发展的突出问题。智能故障诊断方法专家系统方法（复杂多变的问题面前则显得无力）神经网络方法(1)高维情况下非线性处理能力下降；(2)在建立模型时存在收敛速度慢，易陷入局部极小值等问题；(3)泛化性能差，当样本选择不当或样本之间不具有正交性和完备性，这一问题就显得更为突出；(4)小样本处理能力较弱。智能故障诊断方法支持向量机方法（SVM）(1)很强的泛化能力；(2)有效地解决了其他方法不能解决的小样本问题；(3)引入核函数较好地解决了非线性问题，而且该算法克服了神经网络等方法运算速度慢，训练时容易陷入局部极小值等不足，在理论上保证了算法的全局最优解。预测方法传统预测方法：时间序列法、回归分析法以及灰度预测方法等缺点：处理非平稳问题和非线性问题的能力较弱存在模型参数难以确定的问题很多时候不能满足预测精度的要求。预测方法智能预测方法：神经网络方法、支持向量机方法、模糊逻辑方法等神经网络方法缺点：模型的最终解过于依赖初值泛化能力不强需要的样本数据量大且训练速度较慢，很可能收敛于局部极小点。网络结构难以确定，缺乏相应的理论依据做指导，基本上是凭经验和反复试验的方法，如隐含层节点数目的确定等。模糊逻辑方法自学习能力差模糊建模困难预测精度取决于经验的丰富程度以及将经验转化为语言规则的归纳水平SVM方法继承了分类算法较强的非线性问题处理能力。由于SVM首次应用结构风险最小化原则，更使得SVR在预测方面有着较为突出的优势。预测方法组合预测方法精度极大地依赖于各单一模型的精度，预测结果较不稳定研究1：基于遗传算法的支持向量机样本平衡方法故障样本一般少于正常样本，所以普遍存在不平衡样本问题。支持向量机在遇到样本不平衡问题时，往往造成“少样本类”的误诊。提出了基于遗传算法的样本平衡方法，利用遗传算法中的交叉、变异方式生成子代样本，对“少样本类”进行繁殖扩充，得到更多的该类样本进而达到两类样本的平衡。为使扩充的样本更具有针对性，更有利于形成正确的“分类超平面”，给出了父代样本的选择方法以及子代样本的评价方法。研究2:提出一种识别EMD方法虚假分量的方法提出基于K-L散度的虚假分量识别方法该方法利用K-L散度来评价EMD分解得到的各个分量与原信号的关系程度，分量与原信号之间的K-L散度越小，关系程度越大，分量的真实性就越高，反之虚假性就越高，虚假分量通过设定阈值进行判别。给出了阈值设定方法。研究3：提出了基于EMD特征提取的支持向量机算法针对预测模型特征选取的问题，提出了基于EMD特征提取的支持向量机算法（EMD-SVM)利用EMD分解后各时间点的分量值作为特征，并与该时间点对应的时间序列值（目标值）共同构成样本，建立预测模型，并通过实验证明其较高的准确性和稳定性。研究4：提出了基于信息熵的样本长度选择方法大规模训练样本问题是困扰SVM计算速度提升的瓶颈方法的基本思想：选取与预测点最相关的历史数据作为训练样本，保证数据信息的完备性和不冗余。具体做法：在历史数据中从前向后依次选取不同的位置作为起始点截取时间序列，计算不同起始点截得时间序列的信息熵值。将对应信息熵最小的起始点作为新时间坐标轴的