大型機械動力傳動系統(tǒng)作為國防和國民經(jīng)濟領(lǐng)域廣泛應用的一類重要技術(shù)裝備,其安全性可靠性至關(guān)重要。由于這類裝備結(jié)構(gòu)復雜,耦合比較嚴重,運行狀態(tài)具有較強非線性特征,且運行環(huán)境惡劣,受非高斯噪聲和各種不確定因素影響,對其進行準確的故障診斷困難較大。監(jiān)控診斷和狀態(tài)預測作為設(shè)備安全可靠運行和科學合理維修的一項重要支持技術(shù),其研究意義重大。 論文從機械動力傳動系統(tǒng)運行狀態(tài)特點和非線性狀態(tài)監(jiān)控診斷需求分析出發(fā),結(jié)合相關(guān)學科領(lǐng)域最新研究成果,利用核方法在處理非線性問題中所具有的特質(zhì),系統(tǒng)深入地開展了核基特征提取、核基故障分類與決策、核基狀態(tài)趨勢預測等技術(shù)研究,旨在探索提高非線性條件下故障識別正確性、狀態(tài)預測準確性的技術(shù)方法與途徑,為機械動力傳動系統(tǒng)監(jiān)控診斷技術(shù)向更深層次發(fā)展和應用提供有效的技術(shù)支持。論文的主要研究內(nèi)容包括: 1、針對機械動力傳動系統(tǒng)故障診斷對特征提取有效性要求,重點研究基于核方法的非線性故障特征提取技術(shù)。提出基于核主成分分析的鐵譜磨粒特征提取方法,較好地解決了鐵譜磨粒參數(shù)非線性特征提取和磨粒特征維數(shù)壓縮問題;提出基于核獨立分量分析的直升機傳動系統(tǒng)故障特征預處理技術(shù),為提高直升機傳動系統(tǒng)早期故障特征提取的有效性奠定了基礎(chǔ);提出基于核Fisher判別分析的特征提取技術(shù),有效增強故障特征的分類特性和提高故障分類識別準確性; 2、針對大型機械動力傳動系統(tǒng)存在的故障樣本不足或稱小樣本故障診斷問題,深入研究了支持向量機故障診斷方法。從提高“一對一”、“一對多”兩種多分類器算法的訓練和分類速度考慮,研究了算法的改進方案;為解決故障診斷中因故障決策錯誤所造成損失和風險不同的問題,對標準SVM算法加以改進,提出了基于模糊隸屬度函數(shù)的SVM等風險故障分類決策模型;在上述研究的基礎(chǔ)上,結(jié)合機械動力傳動系統(tǒng)在線故障診斷要求,提出了核基特征提取與SVM多故障層次分類檢測模型,通過軸承故障檢測與分類應用實例,對模型可行性、有效性進行了檢驗; 3、針對大型機械動力傳動系統(tǒng)缺乏故障樣本條件下的故障檢測問題,提出基于支持向量數(shù)據(jù)描述的故障檢測方法,深入研究了該方法用于故障檢測時核函數(shù)的選擇及其核函數(shù)參數(shù)對決策邊界區(qū)域和檢測精度的影響,提出了考慮誤判損失不等條件下SVDD決策模型的改進方案。相關(guān)方法在某型直升機傳動系統(tǒng)軸承故障檢測中得到成功應用; 4、針對動力裝置運行狀態(tài)非線性特點和狀態(tài)預測要求,提出了基于相空間重構(gòu)和支持向量回歸的動力裝置狀態(tài)趨勢預測方法,其中,采用相空間重構(gòu)技術(shù)對刻畫機組狀態(tài)及其變化的非線性時間序列進行分析,計算出最小嵌入維作為預測樣本向量的維數(shù),利用支持向量回歸機對機組運行狀態(tài)樣本學習訓練,得到機組狀態(tài)預測模型,對模型的狀態(tài)預測能力進行了深入研究。該方法在某型艦船動力裝置主汽輪機的運行狀態(tài)預測中得到成功應用,為大型復雜機械動力傳動系統(tǒng)非線性狀態(tài)預測和掌握運行狀態(tài)變化趨勢提供了有效的解決方案。
【學位單位】：國防科學技術(shù)大學
【學位級別】：博士
【學位年份】：2007
【中圖分類】：TH132
【部分圖文】：

3.2.3.3應用研究與分析針對某型導彈車動力裝置故障檢測需求，為提高故障特征提取的有效性，重點研究了基于KPCA的鐵譜磨粒特征提取方法在該系統(tǒng)中的應用，研制了如圖3.5所示的基于鐵譜分析動力裝置故障檢測與分析系統(tǒng)[’23]。圖3.5基于鐵譜分析動力裝置故障檢測與分析系統(tǒng)從該系統(tǒng)的鐵譜標準磨粒樣本庫中選取12組磨粒樣本用于本文研究的，每組磨粒樣本原始特征描述參數(shù)空間為53維，其中6個樣本為疲勞剝塊磨粒，4個樣本為正�；瑒幽p磨粒，2個樣本為嚴重滑動磨損磨粒，如表3.1所示。根據(jù)上節(jié)介紹的KPCA方法對磨粒樣本組進行主成分分析，由于RBF核函數(shù)具有良好的特性(在第二章中已作介紹)，本章?

圖3.9某型直升機傳動系統(tǒng)試驗臺(2)實驗系統(tǒng)實驗研究在如圖3.9所示某型直升機傳動系統(tǒng)試驗臺上進行，該試驗臺模擬直升機實際運行中的0.65連續(xù)、0.85連續(xù)、最大連續(xù)、空中慢車、起飛等幾種實際第48頁

圖3.15KFDA空間變換示意圖KFDA首先通過一個非線性影射中將輸入數(shù)據(jù)影射到一個高維的特征空間:中:R”崢Fx崢中(x)時，輸入的訓練樣本由原來的x轉(zhuǎn)化為。(x)，然后在特征空間F中進行線FDA。在F空間中求解以下問題:嶸二arg嗯:[釁，釁，…嶸](3假定在F空間中，所有樣本都是去均值的(特征空間去均值與輸入空間去不同)，則類間散度矩陣為:心=藝nk(才X才)r(3
【引證文獻】

相關(guān)博士學位論文 前1條

1 汪楚嬌;語義環(huán)境下提升機故障人工免疫診斷方法研究[D];中國礦業(yè)大學;2010年

本文編號：2863686