發(fā)布時間：2022-01-09 09:14

　　機械故障診斷技術(shù)能夠?qū)υO備故障狀態(tài)做出診斷預防,提高設備運行可靠性與安全性。旋轉(zhuǎn)機械在工業(yè)生產(chǎn)中使用廣泛,針對旋轉(zhuǎn)機械的故障診斷一直是機械故障領域中的重點研究方向。隨著社會的進步與生產(chǎn)力的發(fā)展,大型高速復雜旋轉(zhuǎn)機械應用更加廣泛,對設備運行的可靠性與安全性要求也日益增加,傳統(tǒng)診斷方法已經(jīng)不能滿足相應的診斷要求。近年來,隨著人工智能方法的發(fā)展,故障診斷方法由簡易診斷、精密診斷,逐漸向基于機器學習、人工智能的智能診斷方法發(fā)展。其中支持向量機是一種基于結(jié)構(gòu)風險最小化的模式識別方法,經(jīng)故障數(shù)據(jù)訓練后能夠?qū)W習故障特征,實現(xiàn)對故障的診斷。本文要圍繞旋轉(zhuǎn)機械故障診斷,以支持向量機為理論基礎,提出一種改進的深度支持向量機模式識別方法,并通過設計進行相關(guān)實驗,研究深度支持向量機在旋轉(zhuǎn)機械故障診斷中的應用。本文的研究內(nèi)容主要包括以下兩個部分:（1）在常規(guī)條件下,提出一種改進的深度稀疏最小二乘支持向量機診斷方法。該方法構(gòu)建了多層支持向量機結(jié)構(gòu),在輸入層利用訓練樣本對支持向量機進行訓練,通過一定方法生成一組新的樣本并用于訓練下一層,利用多次學習提高分類準確率�？紤]到多層結(jié)構(gòu)帶來的算法訓練復雜度與診斷用時增加的問... 

【文章來源】：江南大學江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

圖2-1支持向量機原理圖

第二章基于深度稀疏最小二乘支持向量機的故障診斷方法9圖2-2核函數(shù)映射示意圖通過求解下式2.19計算a，并得到?jīng)Q策函數(shù)[37]。11111max(,)2..00=1,2,nnniijijijiijniiiiayyaaKstyaain=====axx…,（2.19）SVM采用的核函數(shù)需滿足Mercer條件，避免了直接在高維空間中的計算，同時能得到等價的結(jié)果。常用的核函數(shù)包括以下幾種：（1）線性核函數(shù)(,)iiKxx=xx（2.20）（2）多項式核函數(shù)(,)(1)diiKxx=xx+（2.21）（3）高斯核函數(shù)22(,)exp()2iiKσ=xxxx（2.22）（4）Sigmoid核函數(shù)(,)tanh(())iiKxx=βxx+c（2.23）SVM在分類中需要考慮數(shù)據(jù)噪聲或偏離正常位置距離比較遠的點，會對分類間隔與超平面造成較大影響，忽略此類點反而會使間隔變大，獲得更好的分類結(jié)果。因此SVM允許數(shù)據(jù)點在一定程度上偏離超平面，通過設置約束條件允許數(shù)據(jù)點有一定程度的偏離。約束條件如式2.24所示。()1,2,,Tiiiyωx+b1-ξi=n（2.24）式中iξ0是松弛變量。參數(shù)iξ對應第i個訓練樣本xi允許偏離幾何間隔的量，若允許iξ的值任意大，會導致任意超平面均符合條件按，因此為了避免偏離量過大，需要在目標函數(shù)中增加懲罰項用于控制iξ的總和最小，如公式2.25所示。

第二章基于深度稀疏最小二乘支持向量機的故障診斷方法13式中isv是支持向量，ia是支持向量對應拉格朗日因子，isvy是支持向量對應標簽，b是偏置。圖2-3深度支持向量機模型樣本重構(gòu)可如圖2-4所示，重構(gòu)后的樣本數(shù)量與初始訓練樣本集保持一致為N，而每個樣本維度由初始樣本維度M變?yōu)镼。對訓練樣本MixR，特征提取公式對輸入層的ix處理后能夠得到一組新的重構(gòu)樣本如公式2.48所示。1211122{,,,}QisvisvisvQQih=yaK(svx)+b,yaK(svx)+b,,yaK(svx)+b（2.48）訓練樣本MixR被轉(zhuǎn)化成QihR，輸入層到下一層的訓練完成，重構(gòu)后的訓練樣本對應的標簽仍為12,,Nyy…,y。利用重構(gòu)的訓練樣本對下一層進行訓練，同樣利用訓練后得到的特征信息與參數(shù)，通過公式2.47再次進行樣本重構(gòu)，新生成的樣本作為訓練集對新一層SVM訓練，對于層數(shù)為n的DSVM，通過n-1次樣本重構(gòu)與n次樣本特征學習，最終第n層輸出層的最優(yōu)求解作為DSVM的分類決策函數(shù)。同樣，測試樣本集需要經(jīng)輸入層、中間層及輸出層的多次樣本結(jié)構(gòu)轉(zhuǎn)換后判斷具體類別，對于測試樣本x，輸出y(x)可由公式2.49表示。1()liiiiyayKb=x=(sv,o(x))+（2.49）其中，isv是輸出層第i個支持向量，l是輸出層支持向量數(shù)量，o(x)為經(jīng)過多層結(jié)構(gòu)層轉(zhuǎn)換映射后的特征，b為最后一層的偏置項。對于線性可分問題可采用線性內(nèi)積處理，線性不可分問題則選擇合適的核方法解決。圖2-4樣本重構(gòu)121211112211111213121222321122222123,,,,,,QQsvsvsvQQMMsvsvsvQQNNNNMsvyaKbyaKbyaKbxxxxxxxxyaKbyaKbyaKbxxxxyasvxsvxsvxsvxsvxsvx()+()+()+()+()+()+21122,,,QNsvNsvQQNKbyaKbyaKb(svx)+(svx)+(svx

【參考文獻】：
期刊論文
[1]深度學習在旋轉(zhuǎn)機械設備故障診斷中的應用研究綜述[J]. 吳春志,馮輔周,吳守軍,陳湯,王杰.  噪聲與振動控制. 2019(05)
[2]一種用于軸承故障診斷的遷移學習模型[J]. 張根保,李浩,冉琰,李裘進.  吉林大學學報(工學版). 2020(05)
[3]隨機丟棄和批標準化的深度卷積神經(jīng)網(wǎng)絡柴油機失火故障診斷[J]. 張康,陶建峰,覃程錦,李衛(wèi)星,劉成良.  西安交通大學學報. 2019(08)
[4]大數(shù)據(jù)下機械裝備故障的深度遷移診斷方法[J]. 雷亞國,楊彬,杜兆鈞,呂娜.  機械工程學報. 2019(07)
[5]基于深度卷積變分自編碼網(wǎng)絡的故障診斷方法[J]. 佘博,田福慶,梁偉閣.  儀器儀表學報. 2018(10)
[6]基于支持向量機的機械故障診斷方法研究[J]. 馮偉杰,張景珊,付曉琪.  中國金屬通報. 2018(09)
[7]離心泵機組振動故障診斷與分析[J]. 雪增紅,曹瀟,王天周.  排灌機械工程學報. 2018(06)
[8]知識嵌入的遷移孿生支持向量機[J]. 王洪元,耿磊,倪彤光,王沖.  控制與決策. 2019(03)
[9]基于卷積神經(jīng)網(wǎng)絡的異步電機故障診斷[J]. 王麗華,謝陽陽,周子賢,張永宏,趙曉平.  振動.測試與診斷. 2017(06)
[10]基于極限學習機參數(shù)遷移的域適應算法[J]. 許夙暉,慕曉冬,柴棟,羅暢.  自動化學報. 2018(02)

博士論文
[1]旋轉(zhuǎn)機械故障診斷與預測方法及其應用研究[D]. 武哲.北京交通大學 2016
[2]遷移學習問題與方法研究[D]. 龍明盛.清華大學 2014
[3]旋轉(zhuǎn)機械故障診斷的時頻分析方法及其應用研究[D]. 鐘先友.武漢科技大學 2014
[4]基于支持向量機的旋轉(zhuǎn)機械故障診斷與預測方法研究[D]. 朱霄珣.華北電力大學 2013

碩士論文
[1]基于遷移學習的工業(yè)過程故障診斷方法研究與實現(xiàn)[D]. 王春峰.大連理工大學 2019
[2]基于遷移學習的變工況下滾動軸承故障診斷方法研究[D]. 胡明武.哈爾濱理工大學 2019
[3]基于最小二乘支持向量機的燃煤鍋爐燃燒優(yōu)化研究[D]. 陳南錕.東南大學 2016
[4]基于半監(jiān)督的SVM遷移學習文本分類方法[D]. 譚建平.廣東工業(yè)大學 2016
[5]改進的支持向量機的理論研究及應用[D]. 劉春雨.西北農(nóng)林科技大學 2016
[6]基于GMM與改進LS-SVM算法的說話人識別研究[D]. 張俊.中國科學技術(shù)大學 2015
[7]基于支持向量機和深度學習的分類算法研究[D]. 劉樹春.華東師范大學 2015
[8]風力發(fā)電機齒輪箱狀態(tài)監(jiān)測與故障診斷系統(tǒng)的研發(fā)與實現(xiàn)[D]. 高志偉.上海電機學院 2015
[9]基于最小二乘支持向量機的參數(shù)變化模型辨識及其預測控制[D]. 馮凱.浙江大學 2015
[10]SVM參數(shù)尋優(yōu)及其在分類中的應用[D]. 徐曉明.大連海事大學 2014



本文編號：3578413