基于改進支持向量機和紋理圖像分析的旋轉(zhuǎn)機械故障診斷.pdf

1、隨著機械設(shè)備不斷向高速化、重載化和復(fù)雜化方向發(fā)展，人們對其運行可靠性和安全性的要求也越來越高。采用有效的模式識別方法實現(xiàn)機械設(shè)備的高精度智能故障診斷，對保障設(shè)備的高效運行和安全生產(chǎn)具有重要意義。本文以軸承和刀具為對象，圍繞故障分類識別和故障特征提取這兩個核心問題，重點研究基于改進支持向量機的故障分類方法和基于紋理分析的故障特征提取方法及其在工程實際中的應(yīng)用。本文研究內(nèi)容和成果主要體現(xiàn)在以下幾方面：
　　 1)基于支持向量機的智能

2、故障診斷方法是目前研究的熱點。為克服模型參數(shù)選擇隨意性對支持向量機分類性能的不利影響，提出了基于人工蜂群算法優(yōu)化的支持向量機故障分類方法，并將其應(yīng)用于滾動軸承的智能故障診斷。該方法以分類錯誤率的倒數(shù)作為適應(yīng)度函數(shù)，利用人工蜂群算法對支持向量機參數(shù)進行優(yōu)化選擇。通過UCI標(biāo)準(zhǔn)數(shù)據(jù)集驗證，證明本文提出的方法兼顧了對局部最優(yōu)解和全局最優(yōu)解的搜索，克服了傳統(tǒng)優(yōu)化方法易陷入局部最優(yōu)解的缺陷，獲得了更高的識別正確率，并且在小數(shù)目分類問題上有效地降低

3、了搜索最優(yōu)參數(shù)所需的時間。將該方法應(yīng)用于實測軸承故障數(shù)據(jù)實驗，獲得了較高的故障識別正確率。
　　 2)刀具磨損狀態(tài)的自動識別是一種小樣本條件下的模式識別問題，在特定的加工條件下只能獲取非常有限的訓(xùn)練樣本。針對這一問題，提出一種基于改進超球面支持向量機的故障分類方法，并將其應(yīng)用于刀具磨損狀態(tài)的自動識別。該方法提取切削力與振動信號中的多項特征，對各項特征分別進行刀具磨損量相關(guān)性分析，選擇與刀具磨損變化量最相關(guān)的均值、均方根、小波系數(shù)

4、能量以及小波系數(shù)近似熵組成特征向量。在分類器方面，考慮到各類樣本的疏松程度不同，利用引力法對超球面支持向量機的決策函數(shù)進行改進，經(jīng)過優(yōu)化分析得到最佳分類引力公式。采用改進的超球面支持向量機作為分類器，實現(xiàn)了刀具磨損狀態(tài)的自動識別。實驗證明，在小樣本學(xué)習(xí)情況下，基于改進超球面支持向量機的刀具磨損狀態(tài)識別方法具有良好的學(xué)習(xí)和泛化能力，可獲得較高的識別正確率。
　　 3)作為故障信息多維特征提取方法的基礎(chǔ)，首先對基于支持向量機的紋理分

5、析方法進行研究。針對紋理圖像分割中的訓(xùn)練樣本自動獲取問題，提出了一種基于模糊C均值算法的支持向量機半監(jiān)督圖像分割方法。該方法首先采用改進的Laws能量測度法對原始圖像進行特征提取，對獲取的特征圖像進行分塊處理以獲得若干窗口，采用模糊C均值算法對圖像平滑區(qū)域所在窗口的特征向量進行分類并獲取類別標(biāo)記，將特征向量和獲取的類別標(biāo)記作為模糊支持向量機的訓(xùn)練樣本，從而實現(xiàn)了訓(xùn)練樣本的自動獲取。進而利用訓(xùn)練好的模糊支持向量機對非平滑區(qū)域進行精細分類。

6、最終將模糊C均值和模糊支持向量機的分類結(jié)果組合形成最終的分類結(jié)果圖像。采用隨機選取的Brodatz紋理集中的紋理圖像對上述算法進行測試，得到了較高的分割正確率，從而驗證了本文算法的有效性，并為下一章時頻分布圖二維故障特征提取算法的研究提供理論基礎(chǔ)。
　　 4)特征提取對故障診斷的分類結(jié)果具有至關(guān)重要的影響。S變換得到的等高線時頻圖和Hilbert-Huang變換得到的Hilbert譜時頻圖包含了豐富的二維圖像信息。在紋理圖像自動

7、分割方法的研究基礎(chǔ)上，探討了將圖像處理領(lǐng)域中的紋理分析方法應(yīng)用于一維信號時頻分布圖的故障特征提取問題。首先對灰度化的S變換等高線時頻圖和Hilbert譜時頻圖進行二維離散小波變換，利用Laws能量測度法計算各頻道小波圖像的灰度均方差作為能量特征并組成特征向量，從而建立了有效的從一維原始信號到二維紋理圖像特征的映射模型。以支持向量機作為分類器，通過滾動軸承實測故障數(shù)據(jù)對上述方法進行驗證，實驗結(jié)果證明了上述特征提取算法的有效性和可行性。

8、r>　　 5)針對目前國內(nèi)高檔數(shù)控機床對狀態(tài)監(jiān)測與故障診斷功能的需求，研究開發(fā)網(wǎng)絡(luò)架構(gòu)下機床整機智能監(jiān)測診斷試驗平臺。重點針對筆者開發(fā)的強耦合狀態(tài)監(jiān)測單元信號采集技術(shù)、遠程機床狀態(tài)監(jiān)測與故障診斷系統(tǒng)軟件功能以及實現(xiàn)二者無縫信息交互的TDNC-Connect傳輸協(xié)議三方面進行闡述，構(gòu)建出嵌入支持向量機智能故障診斷方法的網(wǎng)絡(luò)架構(gòu)下機床整機智能監(jiān)測診斷試驗平臺，一體化地實現(xiàn)高檔數(shù)控機床的狀態(tài)可顯示、性能可預(yù)報、故障可診斷、遠程可監(jiān)控。最終在