下載本文檔
版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、基于SVM的旋轉(zhuǎn)機(jī)械在線狀態(tài)監(jiān)測(cè)研究李曄1,蔣東梅1,李必文2(1.南華大學(xué) 工程訓(xùn)練中心,湖南 衡陽(yáng) 421001)(2.南華大學(xué) 機(jī)械工程學(xué)院,湖南 衡陽(yáng) 421001)摘要:為了解決傳統(tǒng)旋轉(zhuǎn)機(jī)械故障診斷系統(tǒng)識(shí)別率不高的問題,本文根據(jù)支持向量機(jī)(Support Vector Machine, SVM)在解決小樣本數(shù)據(jù)集及非線性問題上的獨(dú)特優(yōu)勢(shì),提出了一種基于SVM的故障診斷方法。并將該方法應(yīng)用在模擬轉(zhuǎn)矩試驗(yàn)臺(tái)的故障診斷上,實(shí)驗(yàn)結(jié)果表明該方法能夠?qū)收线M(jìn)行有效的識(shí)別。關(guān)鍵詞:旋轉(zhuǎn)機(jī)械 支持向量機(jī) 在線監(jiān)測(cè)中圖分類號(hào):TP 23; 文獻(xiàn)標(biāo)識(shí)碼:BStudy of On- line Condit
2、ion Monitoring Systemfor Rotary Machine Based on SVMLi Ye1,Jiang Dong Ping1,Li Bi Wen 2 Abstract: In order to solve the low recognition rate problem of the traditional rotating machinery fault diagnosis system, according to SVMs ability to solve the small sample data sets and nonlinear problems, A f
3、ault diagnosis method based on SVM is proposed. The experiments on Analog Torque Test Stand state recognition shows this method is practical.Keywords: Rotating Machine; Support Vector Machine;On-line Monitoring0 引 言旋轉(zhuǎn)機(jī)械是工農(nóng)業(yè)生產(chǎn)中非常重要的設(shè)備,在發(fā)電站、灌溉、石油煉制、化工等多個(gè)領(lǐng)域中應(yīng)用非常廣泛,其運(yùn)行狀況的好壞直接影響著生產(chǎn)能否正常進(jìn)行。因此對(duì)旋轉(zhuǎn)機(jī)械的運(yùn)行狀態(tài)進(jìn)行有效
4、的實(shí)時(shí)在線監(jiān)測(cè)和分析診斷,及早發(fā)現(xiàn)故障隱患,及時(shí)為旋轉(zhuǎn)機(jī)械維修提供科學(xué)的依據(jù),將是一項(xiàng)極具現(xiàn)實(shí)意義的工作。支持向量機(jī)(Support Vector Machine)是近年來出現(xiàn)的一種新的數(shù)值計(jì)算方法1。它與神經(jīng)網(wǎng)絡(luò)不同的是具有嚴(yán)密的理論基礎(chǔ)。能夠解決高維問題和局部極值問題。支持向量機(jī)使用大間隔因子來控制學(xué)習(xí)機(jī)器的訓(xùn)練過程,使其只選擇具有最大分類間隔的分類超平面,從而使其在滿足分類條件的情況下,又具有高的推廣能力。在解決許多實(shí)際問題時(shí)很有成效。將SVM技術(shù)引入旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域,有望克服傳統(tǒng)故障診斷方法識(shí)別率不高的缺點(diǎn)。1. 支持向量機(jī)理論 支持向量機(jī)(SVM)方法由Vapnik等提出2-3,
5、是從統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新的通用學(xué)習(xí)方法,它是結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的近似實(shí)現(xiàn)。SVM是從線性可分情況下的最優(yōu)分類面發(fā)展而來的,其基本思想可用圖1的兩類分類問題來說明。其中實(shí)心點(diǎn)和空心點(diǎn)代表兩類樣本,為分類線,、分別為過各類中離分類線最近的樣本且平行于分類線的直線,它們之間的距離叫做分類間隔(margin)。SVM是通過原空間或經(jīng)投影后在高維空間中構(gòu)造最優(yōu)分類面,其最優(yōu)分類函數(shù)是:其中為符號(hào)函數(shù),而是分類的閾值。圖1 線性可分情況下的最優(yōu)分類線示意圖而對(duì)于非線性情形,如圖2所示。SVM的基本思想是通過某種特定的非線性映射,將樣本空間映射到高維特征空間,使其線性可分,并在高維特征空間中構(gòu)
6、造出最優(yōu)分類超平面,從而實(shí)現(xiàn)分類。 圖2 非線性情形示意圖2. SVM的訓(xùn)練算法為了能在實(shí)際問題中應(yīng)用支持向量機(jī)方法,需要有效的學(xué)習(xí)算法,近年來許多研究者在這方面作了大量的工作,使支持向量機(jī)成為一種能在實(shí)際問題中應(yīng)用的技術(shù)。Chunking算法以及分解算法都包含對(duì)分解后的子系統(tǒng)求解二次規(guī)劃問題的內(nèi)循環(huán),雖然是比原問題規(guī)模較小的二次規(guī)劃問題,但一般仍必須用數(shù)值法求解,這往往會(huì)在計(jì)算精度和計(jì)算復(fù)雜性方面帶來一些問題。SMO算法4也是一種分解算法,但是其工作空間只包含兩個(gè)樣本,即在每一步迭代中都只對(duì)兩個(gè)拉格朗日乘子進(jìn)行優(yōu)化,由于對(duì)拉格朗日乘子的線性等式約束,這是可能達(dá)到的最小優(yōu)化問題,可以求出二次規(guī)
7、劃問題的解析解。因此SMO算法只需一段簡(jiǎn)潔的程序代碼就可以解決二次規(guī)劃問題,而不必在每一步迭代中都調(diào)用一次數(shù)值求解二次規(guī)劃問題的復(fù)雜函數(shù)。這樣,盡管在SMO中二次規(guī)劃子問題增多了,但是總的計(jì)算速度反而大大提高。此外,這種算法完全不需要處理大矩陣,因而對(duì)存儲(chǔ)空間沒有額外的要求,很大的SVM訓(xùn)練問題也能用個(gè)人計(jì)算機(jī)進(jìn)行運(yùn)算。由于這些優(yōu)點(diǎn),SMO是目前在實(shí)際問題中應(yīng)用最為廣泛的一種方法。本文中SVM的訓(xùn)練算法也采取SMO算法,如圖3所示為SMO算法的流程圖。SMO算法將工作集的大小限定為2。一次只對(duì)兩個(gè)lagrange乘子進(jìn)行優(yōu)化,通過啟發(fā)方式對(duì)其進(jìn)行優(yōu)化,這種思想事實(shí)上就是一種爬山式的學(xué)習(xí)方法。支
8、持向量機(jī)算法的具體步驟如下:1. 獲取訓(xùn)練樣本,; 2. 選擇進(jìn)行非線性變換的核函數(shù)以及對(duì)錯(cuò)分類(誤差)進(jìn)行懲罰的懲罰因子C;3. 構(gòu)造二次優(yōu)化問題;4. 解二次優(yōu)化問題;5. 獲得a0和b0,得到支持向量機(jī);6. 將待檢測(cè)的樣本輸入支持向量機(jī),得到檢測(cè)結(jié)果。3. 實(shí) 驗(yàn)實(shí)驗(yàn)裝置采用模擬轉(zhuǎn)矩實(shí)驗(yàn)臺(tái),見圖4。它是一種精密多功能的旋轉(zhuǎn)機(jī)械裝置,能模擬產(chǎn)生旋轉(zhuǎn)機(jī)械的軸向和徑向振動(dòng),并能比較精密地控制轉(zhuǎn)速、轉(zhuǎn)子不平衡程度、彎曲程度、碰磨程度、轉(zhuǎn)子與軸承之間配合間隙大小,以及軸承座的位置,從而有效模擬多種旋轉(zhuǎn)機(jī)械故障。利用模擬轉(zhuǎn)矩實(shí)驗(yàn)臺(tái)模擬旋轉(zhuǎn)機(jī)械中的6種故障,分別是:轉(zhuǎn)子不平衡、轉(zhuǎn)軸不對(duì)中、油膜渦動(dòng)、
9、轉(zhuǎn)子橫向裂紋、動(dòng)靜件碰磨、機(jī)座松動(dòng)。為了能夠準(zhǔn)確地了解系統(tǒng)及相應(yīng)算法的性能,仿真實(shí)驗(yàn)需要能夠明確地知曉被監(jiān)測(cè)圖3 SMO算法流程圖圖4. 振動(dòng)實(shí)驗(yàn)臺(tái)設(shè)備當(dāng)前的狀態(tài),又需要讓各狀態(tài)之間具備一定的相似度。本文采用以下方案:將加速度傳感器分別安裝在基座的X、Y、Z軸方向,采集三個(gè)方向的振動(dòng)信號(hào)。選擇經(jīng)過特征提取的轉(zhuǎn)子不對(duì)中、轉(zhuǎn)子不平衡、齒輪故障、軸承滾子故障、動(dòng)靜件摩擦、軸承座松動(dòng)等6種故障樣本各50個(gè),選擇徑向基函數(shù)(RBF)作為核函數(shù),徑向基函數(shù)也稱作高斯核函數(shù)6,表示方法如下:選取懲罰因子C和核參數(shù)分別為50和0.01,訓(xùn)練樣本并形成SVM,如表1所示,得出SVM的識(shí)別率。由表可以看出,SVM
10、的能夠?qū)收蠘颖具M(jìn)行有效的識(shí)別。表1 SVM識(shí)別率故障類型識(shí)別精度軸承滾子故障94.2%斷齒故障93.4%基座松動(dòng)85.0%動(dòng)靜件摩擦91.3%不平衡79.0%不對(duì)中99.1%4. 總 結(jié)從實(shí)驗(yàn)的結(jié)果來看,本文開發(fā)的基于SVM的在線系統(tǒng)在模擬轉(zhuǎn)矩試驗(yàn)臺(tái)的各狀態(tài)識(shí)別上,有著較好的識(shí)別率,仿真實(shí)驗(yàn)證明該系統(tǒng)是有效的。雖然仿真實(shí)驗(yàn)取得了一定的效果,但是真正應(yīng)用于工廠復(fù)雜旋轉(zhuǎn)設(shè)備故障診斷,系統(tǒng)還需要作進(jìn)一步的實(shí)驗(yàn)驗(yàn)證與完善。參 考 文 獻(xiàn)1 江志鋼.基于支持向量機(jī)的機(jī)床故障診研究J.裝備制造技術(shù),2009.12.2 Vapnik V. The nature of statistics learning theory M. New York: Springer-Verlag,1995. 40-50.3 Vapnik V. Statistical learning theory M. NewYork: JohnWiley and Sons, 1998, 102- 110.4 Shevade S K,Keerthi S S,Bhattacharyya C, Murthy K R K. Improvements to the SMO Algorithm for SVM regressionJ. IEEE Transactio
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- Schisanhenol-Standard-生命科學(xué)試劑-MCE
- Salinomycin-sodium-salt-Standard-生命科學(xué)試劑-MCE
- 2024年物業(yè)服務(wù)項(xiàng)目申請(qǐng)報(bào)告
- 白酒分銷體系建設(shè)方案
- 2024年CO2氣體保護(hù)藥芯焊絲項(xiàng)目申請(qǐng)報(bào)告
- 2024年醫(yī)用材料及制品項(xiàng)目立項(xiàng)申請(qǐng)報(bào)告范文
- 2024年生物質(zhì)碳化專用爐項(xiàng)目提案報(bào)告模板
- 2023年北大荒集團(tuán)齊齊哈爾醫(yī)院(原農(nóng)墾醫(yī)院)招聘編外醫(yī)務(wù)人員考試真題
- 白川水電站課程設(shè)計(jì)
- 病毒傳播途徑研究報(bào)告
- 產(chǎn)品質(zhì)量不良原因分析表
- 銀行客戶結(jié)構(gòu)分析報(bào)告
- 郵政行測(cè)題庫(kù)2024
- 《紀(jì)念白求恩》專題探究課件(敘議結(jié)合理思路)
- 2023年醫(yī)院骨科手術(shù)統(tǒng)計(jì)報(bào)告
- 腹腔鏡手術(shù)操作技巧
- 品牌礦泉水物質(zhì)表
- 2023年11月廣東廣州市規(guī)劃和自然資源局白云區(qū)分局下屬事業(yè)單位公開招聘2人筆試歷年高頻考點(diǎn)-難、易錯(cuò)點(diǎn)薈萃-附帶答案詳解
- 護(hù)理查房及疑難病例討論課件
- 2024年中國(guó)移動(dòng)重慶分公司招聘筆試參考題庫(kù)含答案解析
- 污水源熱泵方案
評(píng)論
0/150
提交評(píng)論