基于LMD和SVM的動力機械故障診斷方法研究.pdf

1、動力機械故障診斷對于人們的人身和財產安全具有重要意義。動力機械故障診斷的過程一般包括信號采集、信號處理和模式識別三個主要部分。其中，信號處理和模式識別是故障診斷的關鍵。本文將最新的時頻分析方法局部均值分解(Localmeandecomposition，LMD)和先進的模式識別方法支持向量機(SupportVectorMachine，SVM)結合應用于動力機械典型故障的診斷中。LMD方法能夠自適應的將一個復雜的多分量調頻調幅信號分解為若干

2、個瞬時頻率有物理意義的乘積函數(shù)(ProductionFunction，PF)之和，其中每一個PF分量由一個包絡信號和一個純調頻信號相乘得到，包絡信號就是該PF分量的瞬時幅值，而PF分量的瞬時頻率可以由純調頻信號求出。將所有PF分量的瞬時頻率和瞬時幅值相組合，便可以得到信號的時頻分布[1]。相比神經網絡SVM沒有過學習和欠學習的問題，而且具有小樣本、非線性、高維模式識別的特點。本文利用SVM對航空發(fā)動機典型故障進行診斷，結果表明SVM是一

3、種有效的故障診斷方法。利用LMD和SVM相結合對柴油機氣門故障進行診斷，結果表明將LMD方法和SVM相結合應用于故障診斷中是一種行之有效的辦法。
　　本文主要開展了以下幾個方面的工作：
　　1.實驗數(shù)據的采集：利用LMS數(shù)據采集系統(tǒng)采集WP7柴油機第一缸缸蓋在正常和故障條件下振動信號。
　　2.介紹了LMD方法分解的原理，分析了該方法的不足，并提出改進策略。通過對仿真信號的分析，發(fā)現(xiàn)改進LMD算法無論是精度還是計算速度

4、都優(yōu)于原算法。并利用改進算法對軸承的內、外圈故障進行分析，進一步證明了改進LMD算法的有效性。
　　3.介紹了SVM的原理，并對SVM的參數(shù)尋優(yōu)問題進行了深入研究。提出遺傳粒子群混合(GAPSO)算法和改進粒子群算法。利用iris數(shù)據對算法進行驗證，結果表明采用所提出的算法對SVM參數(shù)進行尋優(yōu)后，SVM的分類準確率得到了明顯的提高，并且運算速度也得到了一定程度的提升。
　　4.利用航空發(fā)動機故障影響系數(shù)矩陣生成航空發(fā)動機典型

5、故障樣本，運用GAPSO-SVM算法對航空發(fā)動機典型故障進行診斷并與其它典型故障診斷算法進行對比，結果表明GAPSO-SVM算法優(yōu)于BP神經網絡、自組織神經網絡、SVM算法、GA-SVM算法。
　　5.利用改進LMD算法對柴油機氣門故障信號進行特征提取，然后用改進PSO-SVM作為分類器對柴油機氣門故障進行診斷，實驗結果表明該方法適合應用于柴油機氣門故障診斷。
　　6.利用matlabGUI編寫基于SVM和神經網絡的故障診斷