论文部分内容阅读
在故障诊断领域,传统的故障诊断方法多数是针对平稳信号,基于傅立叶变化基础上对信号的特征提取,然后根据故障诊断经验或理论对故障类型进行判断。另外传统故障诊断中,针对缺少训练样本的问题往往达不到预期诊断目的。本文提出了一种基于正交小波变换--支持向量数据描述的方法(Orthogonal Wavelet Transformation And Support Vector Data Description, OWTSVDD),该方法能够对非平稳信号下的故障样本很好的分类,并解决了样本数目有限条件下的故障诊断问题。正交小波变换(Orthogonal Wavelet Transformation, OWT),是指选择正交小波函数进行小波变换,使在时域和频域都具有表征信号局部特性的能力。支持向量数据描述是一种单分类方法,能够在只有正常样本的条件下对故障信号进行分类。正交小波变换和支持向量描述相结合的方法,利用正交小波变换方法提取各细节信号的峰峰值作为SVDD的输入向量,能快速对设备的运行状态进行识别。本文在研究正交小波变换--支持向量数据描述理论的基础上,着重研究解决了以下几个方面的问题:1.统计学习理论和支持向量数据描述理论和算法,支持向量数据描述中核函数的引入,通过实验证明不同特征提取和选择不同核函数对SVDD分类的影响。2.正交小波变换的基本理论,正交小波变换选择不同小波函数对信号特征提取的影响,并通过事例分析,正交小波变换在故障信号信噪分离、奇异点定位消除和轴承故障诊断方面的特点。3.针对正交小波变换和支持向量描述的特点,本文提出了一种基于正交小波变换--支持向量数据描述的故障分类方法,该方法以正交小波分解后各层信号的峰峰值构成特征向量,用正常状态下的数据样本建立知识库,对测试样本进行分类,与未经行特征提取的SVDD相比,运算效率和诊断效率大大提高。4.正交小波变换--支持向量数据描述在轴承性能退化研究中,对只有点蚀故障情况下的轴承故障状态进行了评估,与点蚀故障下正交小波细节图谱变换趋势一致,说明该方法在故障评估中的有效性。