全矢谱—支持向量数据描述及故障诊断应用研究

论文摘要

在设备故障诊断中,传统的数据处理方法只能针对单通道数据进行分析,而单通道数据往往不能将设备的空间运动信息完整的表征出来。而作为全信息分析方法的一种,全矢谱分析技术在处理同源多通道故障信号的同时能够体现更全面准确的转子运动空间特征信息。在此基础上本文将全矢谱技术与支持向量数据描述相结合,提出了全矢谱支持向量数据描述(Vector Spectrum Support Vector Data Description, VSSVDD)故障诊断方法。针对支持向量数据描述(Support Vector Data Description, SVDD)分类方法中训练样本数目受限的问题,本文对SVDD分类器作二次改进,引入动态支持向量数据描述(DSVDD)分类方法。该方法在训练样本中不断注入新的样本进而不断更新分类边界,从而更准确的表征了目标样本的区域边界。本文主要研究和解决问题如下：第一,支持向量数据描述方法是建立在统计学习理论之上的,核函数的引入可以把低维空间的非线性问题转化为高维空间的线性问题。选择不同的核函数对SVDD的分类效果不同。第二,运用全矢谱分析方法对采样数据进行分析处理,并且提取典型倍频上的幅值作为SVDD分类器的特征向量。实验表明经过全矢谱特征提取后的SVDD的分类效果较未经特征提取SVDD的分类效果更为明显。通过实验研究验证了全矢谱支持向量数据描述故障诊断方法对测试样本进行分类的可行性与有效性。第三,运用全矢谱支持向量数据描述方法对设备性能退化评估引入隶属度和相对距离的概念避免了超球体边界误差带来的影响,可以将测试样本的状态更加精确的表述出来；同时又体现了状态变化的过程。第四,提出动态支持向量数据描述分类方法的改进型。该方法的提出改变了原来SVDD分类方法中,分类器经过一次训之后分类边界永不改变的现状。它将测试得到的目标样本与本次测试以前的支持向量集一起形成新的训练样本,然后对SVDD重新训练。这样分类边界将更能体现设备的正常样本特征。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题概述
• 1.1.1 课题来源
• 1.1.2 选题的目的及意义
• 1.2 设备故障诊断技术的国内外研究现状
• 1.2.1 设备故障诊断技术的研究现状
• 1.2.2 设备故障诊断技术在研究中存在的问题
• 1.3 智能故障诊断技术现状与发展
• 1.4 支持向量数据描述方法的诞生与发展
• 1.5 本文研究主要内容和结构
• 1.6 本章小结
• 2 支持向量数据描述方法理论
• 2.1 概述
• 2.2 统计学习理论基础
• 2.2.1 机器学习方法
• 2.2.2 统计学习基本思想
• 2.3 支持向量数据描述理论
• 2.3.1 支持向量数据描述算法
• 2.3.2 SVDD中的核函数
• 2.3.3 SVDD中的数据预处理
• 2.4 本章小结
• 3 全矢谱特征提取方法
• 3.1 概述
• 3.2 矢量谱理论
• 3.2.1 矢量谱技术分析
• 3.2.2 矢量谱数值计算方法
• 3.3 矢功率谱理论
• 3.4 实验分析
• 3.5 全矢谱特征提取方法
• 3.6 本章小结
• 4 全矢谱—支持向量数据描述方法及应用
• 4.1 概述
• 4.2 支持向量数据描述核函数的选择
• 4.3 全矢谱—支持向量数据描述故障诊断方法
• 4.4 VSSVDD在滚动轴承故障诊断中的研究
• 4.5 VSSVDD在齿轮性能退化评估中的研究
• 4.6 本章小结
• 5 动态支持向量数据描述及应用
• 5.1 概述
• 5.2 增量式学习
• 5.3 动态支持向量数据描述算法
• 5.4 DSVDD在故障诊断中的应用
• 5.5 本章小结
• 6 结论与展望
• 6.1 本文主要工作与结论
• 6.2 展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文及研究成果