基于量子粒子群優(yōu)化的Volterra核辨識(shí)及故障診斷方法研究.pdf

1、本論文在國(guó)家自然科學(xué)基金(50775208)資助下，將量子粒子群優(yōu)化(Quantum Particle Swarm Optimization，簡(jiǎn)稱(chēng)QPSO)算法引入到非線(xiàn)性系統(tǒng)的Volterra級(jí)數(shù)模型辨識(shí)中，深入研究了基于QPSO的Volterra時(shí)域核辨識(shí)方法及在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用，取得了比較好的創(chuàng)新性成果。其主要內(nèi)容包括以下幾個(gè)方面：
　　 第一章，論述了本課題的提出及其研究意義，綜述了Volterra級(jí)數(shù)模型的國(guó)內(nèi)

2、外研究現(xiàn)狀及在故障診斷中的應(yīng)用，提出了本論文的主要內(nèi)容及創(chuàng)新之處。
　　 第二章，介紹了Volterra級(jí)數(shù)模型的基本理論、Volterra級(jí)數(shù)時(shí)域核(GIRF)和頻域核(GFRF)的辨識(shí)方法，并給出了基于Volterra級(jí)數(shù)模型的故障診斷思路。本章內(nèi)容是整篇論文的理論基礎(chǔ)。
　　 第三章，針對(duì)基于傳統(tǒng)的最小均方算法的Volterra時(shí)域核(GIRF)辨識(shí)方法的不足，將量子粒子群優(yōu)化引入到非線(xiàn)性系統(tǒng)的Volterra核辨

3、識(shí)中，提出了一種基于量子粒子群優(yōu)化的Volterra時(shí)域核辨識(shí)方法，并和傳統(tǒng)的最小均方(LeastMean Squares，簡(jiǎn)記為L(zhǎng)MS)算法進(jìn)行了比較，仿真研究表明，在辨識(shí)精度、收斂性和抗干擾性方面，提出的方法都優(yōu)于傳統(tǒng)的LMS方法，而且，隨著核記憶長(zhǎng)度的增加，這種優(yōu)勢(shì)會(huì)更明顯。之后，將提出的方法應(yīng)用于旋轉(zhuǎn)機(jī)械轉(zhuǎn)子系統(tǒng)的故障診斷中，給出了轉(zhuǎn)子裂紋故障和正常狀態(tài)轉(zhuǎn)子的Volterra時(shí)域核，對(duì)兩者進(jìn)行了比較分析，實(shí)驗(yàn)結(jié)果表明，提出的方法

4、是有效的，轉(zhuǎn)子裂紋狀態(tài)的Volterra時(shí)域核很好地反映了此狀態(tài)下轉(zhuǎn)子系統(tǒng)的非線(xiàn)性特征。
　　 第四章，提出了基于Volterra時(shí)域核(GIRF)的核主分量分析故障診斷方法。該方法首先利用量子粒子群優(yōu)化(QPSO)算法辨識(shí)出Volterra時(shí)域核，然后將其作為原始空間數(shù)據(jù)進(jìn)行核主分量分析(KPCA)，利用主分量分布和投影圖實(shí)現(xiàn)識(shí)別分類(lèi)。實(shí)驗(yàn)中利用提出的方法對(duì)轉(zhuǎn)子系統(tǒng)的正常、轉(zhuǎn)子裂紋、轉(zhuǎn)子碰摩、基座松動(dòng)四種狀態(tài)進(jìn)行識(shí)別分類(lèi)，結(jié)果

5、表明，該方法是有效的，在只考慮一階Volterra核不能很好地識(shí)別狀態(tài)時(shí)，可以從二階、三階Volterra核上來(lái)區(qū)分，體現(xiàn)了基于Volterra級(jí)數(shù)的故障診斷方法特征信息豐富的優(yōu)勢(shì)。
　　 第五章，論述了支持向量機(jī)基本原理和SVM多類(lèi)分類(lèi)問(wèn)題算法，在此基礎(chǔ)上，提出了基于Volterra時(shí)域核(GIRF)的支持向量機(jī)故障識(shí)別方法。該方法將利用量子粒子群優(yōu)化(QPSO)算法辨識(shí)出的Volterra時(shí)域核作為特征向量輸入到支持向量機(jī)(

6、SVM)分類(lèi)器中識(shí)別非線(xiàn)性系統(tǒng)的不同狀態(tài)。實(shí)驗(yàn)結(jié)果表明，當(dāng)故障樣本較為豐富時(shí)，不論是只利用一階核還是利用前三階核作為特征向量都取得了理想的分類(lèi)效果，但是當(dāng)故障樣本較少時(shí)，利用前三階核作為特征向量時(shí)的識(shí)別結(jié)果明顯優(yōu)于只利用一階核時(shí)的情況。這說(shuō)明Volterra非線(xiàn)性核包含了Volterra線(xiàn)性核所不能反映的故障特征，良好的分類(lèi)效果展現(xiàn)了提出的方法在小樣本的故障診斷中的優(yōu)越性。
　　 第六章，將Volterra時(shí)域核(GIRF)和隱

7、Markov模型(HMM)結(jié)合，提出了基于Volterra時(shí)域核和HMM的故障診斷方法。在提出的方法中，首先利用QPSO算法從已知狀態(tài)的振動(dòng)信號(hào)中提取出前三階Volterra時(shí)域核，將其作為觀測(cè)值序列訓(xùn)練出各種狀態(tài)的HMM，再利用QPSO算法辨識(shí)出測(cè)試數(shù)據(jù)的前三階Volterra時(shí)域核，輸入到各種狀態(tài)的HMM中，其中輸出概率最大的HMM對(duì)應(yīng)的狀態(tài)即為設(shè)備的當(dāng)前運(yùn)行狀態(tài)。實(shí)驗(yàn)中利用旋轉(zhuǎn)機(jī)械升速過(guò)程中的振動(dòng)信號(hào)，采用提出的方法對(duì)轉(zhuǎn)子系統(tǒng)的四

8、種狀態(tài)進(jìn)行識(shí)別分類(lèi)，結(jié)果驗(yàn)證了該方法的有效性，僅利用一階Volterra核訓(xùn)練HMM時(shí)各個(gè)狀態(tài)迭代得到的對(duì)數(shù)概率值雖然互不相同，但是差異不大，利用前三階Volterra核訓(xùn)練HMM時(shí)各個(gè)狀態(tài)迭代得到的對(duì)數(shù)概率值的差異明顯大于前種情況，分類(lèi)效果得到了顯著的改善。提出的方法為旋轉(zhuǎn)機(jī)械非平穩(wěn)過(guò)程的故障診斷提供了一種有效的解決方案，具有重要的理論意義和實(shí)際的應(yīng)用價(jià)值。
　　 第七章，對(duì)全文的工作進(jìn)行了總結(jié)，并提出了值得進(jìn)一步研究的問(wèn)題。