论文部分内容阅读
设备故障诊断中,故障模式判断、故障分类的实质是故障模式识别。故障模式识别是典型的小样本问题。传统机器学习方法在解决小样本问题时,很难得到好的推广性。以统计学习理论为基础的支持向量机,是模式识别领域中先进的机器学习算法,具有很多优于现有方法的性能。以结构风险最小化原则代替经验风险最小化原则,支持向量机能够很好地解决小样本学习问题。它采用核函数思想,把非线性空间的问题转换到线性空间,降低了算法的复杂度。在有限故障样本决策中,支持向量机方法能在有限特征信息条件下最大限度地发掘数据中隐含的分类信息。其推广性能优秀,适用于故障诊断的工程实际问题。支持向量机在理论上具有突出的优势,但应用研究还不够充分。论文围绕支持向量机在食品机械关键设备故障诊断领域应用的问题,在研究支持向量机算法基础上,对支持向量机故障模式识别、多类故障诊断、基于支持向量回归的设备状态趋势预测3个方面进行应用研究。1.研究支持向量机二类分类算法原理,在此基础上研究有限故障样本条件下机械设备故障模式识别应用问题。构建合适的二类分类支持向量机,对电机轴承故障模式进行识别实验,并对有噪声干扰的故障样本进行模式识别实验。实验结果表明,支持向量机故障模式识别方法对有限故障样本及含噪声的故障样本具有优秀的分类性能。2.研究多类故障诊断支持向量机算法及其工程应用方法。在二类分类算法基础上,研究支持向量机多类故障分类算法,并应用于机械搅拌式通风发酵罐多故障诊断。在对发酵罐多类故障样本学习训练后,用训练的支持向量机多类故障分类器进行故障诊断,6类故障被全部正确识别诊断,取得满意的诊断结果。与2种神经网络故障诊断方法进行对比实验表明,在有限故障样本条件下,支持向量机方法具有更加优秀的分类性能。3.研究支持向量回归算法及其在制冷压缩机组状态趋势预测中的应用。状态趋势预测是实现设备早期故障预警的重要手段之一。该方法应用于制冷压缩机组30小时振动峰峰值预测,预测相对误差2.1934%,具有较高的应用价值。