基于支持向量機與遺傳算法的故障模式識別及趨勢預測方法研究.pdf

1、本文開展了基于支持向量機(SupportVectorMachine---SVM)與遺傳算法(GeneticAlgorithms--GA)的故障模式識別及趨勢預測方法研究，利用支持向量機對滾動軸承典型故障進行了模式識別，同時應用預測模型對齒輪狀態(tài)趨勢進行預測，并利用遺傳算法分別對支持向量機分類過程和趨勢預測過程進行了優(yōu)化分析，主要工作如下:
　　 (1)基于SVM可以解決小樣本學習問題這一優(yōu)點，提出利用SVM對滾動軸承在正常、內圈

2、缺陷、外圈缺陷和滾動體缺陷條件下工作的四種狀態(tài)信號進行識別分類，為了提高分類識別率，利用遺傳算法具有優(yōu)良空間搜索性能的特點，對分類過程中的兩個重要核參數初始值進行優(yōu)化，提出了基于GA算法的改進SVM識別方法，研究結果表明:核參數初始值經過GA優(yōu)化后SVM分類識別率得到了明顯提高，能較好地實現軸承典型故障類型的識別。
　　 (2)為解決低轉速滾動軸承故障特征難以提取的問題，利用小波變換技術具有高低頻分離、局部細化和時頻域內特征提取

3、等性能優(yōu)點，提出基于小波變換技術的低轉速滾動軸承故障特征提取方法，對低轉速軸承正常、外圈缺陷、內圈缺陷和滾動體缺陷等四種狀態(tài)下的振動信號進行診斷分析，并結合SVM對軸承典型故障進行了分類識別，由分析結果可知，利用小波變換與支持向量機技術相結合的方法處理低轉速滾動軸承故障問題能夠取得很好的效果。
　　 (3)為了預測齒輪狀態(tài)趨勢發(fā)展狀況，建立三階函數方程預測模型對齒輪趨勢發(fā)展進行模擬分析研究，利用GA良好的空間搜索性，提出基于GA