（机械设计及理论专业论文）基于支持向量机的故障智能诊断理论与方法研究.pdf

中南大学博士学位论文 摘要 摘要 智能诊断系统的核心是有效的获取、传递、处理、再生和利用诊断信息，从而 能够对给定环境下的诊断对象进行准确的故障模式识别和预报。目前故障智能诊断 面临的主要难题是典型故障样本的严重不足以及诊断知识的发现问题，这两者都严 重制约着机械故障智能诊断的发展。近几年来，基于统计学习理论的支持向量机的 研究逐渐成为机器学习领域中的个重要方向。本文以支持向量机在故障智能诊断 应用中需要解决的关键问题为主线，在基于小波包的特征提取、教障分类器模型的 建立、基于核主元的故障特征选择、核函数的参数优化、增量学习及工程应用等方 面进行了较为系统、深入的研究： l 、针对有限样本情况下故障诊断的特点和基于渐进理论的传统模式识别方法在 故障模式分类中面临的困难，把支持向量机引入到故障智能诊断中，为故障智能诊 断提供了一种新的研究方法。论文研究了支持向量机用于故障诊断的关键问题，给 出了基于支持向量机故障诊断的基本实现步骤。针对标准支持向量机不能直接用于 解决故障诊断这种典型多值分类问题的困难，本文提出了采用决策有向无环图的多 值分类算法，建立了多故障分类器模型。以转子实验台模拟的典型故障为诊断对 象，研究了运用小波包分解提取故障特征的方法，并结合建立的故障分类器模型， 成功实现了故障的检测和诊断。最后对影响故障分类器分类性能的各种因素进行了 深入分析。 2 、为了降低故障分类器的计算复杂度，提高故障模式的可分性，有必要对所提 取的故障特征向量进行选择。针对主元分析在故障特征选择上存在的不足，提出并 实现了一种有效的基于核主元分析的非线性特征选择方法。该方法通过计算原始特 征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射，在高维特 征空间中对映射数据进行主元分析来得到原始特征数据的非线性主元。通过对故障 特征向量进行核主元分析，能有效地降低特征向量的维数，从而降低了故障分类器 的计算复杂度。 3 、故障分类器的分类性能与支持向量机核函数参数有很大的关系。在研究现有 核参数优化方法的基础上，研究了以f i s h e r 判别函数为目标函数的核函数参数优 化的原理，进而提出了基于f i s h e r 判别函数和改进遗传算法相结合的核函数参数 优化算法。新算法利用遗传操作来实现目标函数的参数优化，不需要计算梯度，依 据新算法实现了二类故障分类器的参数优化。 4 、在深入分析支持向量特点的基础上，研究了库恩一塔克条件与样本点的几何 i 中南大学博士学位论文摘要 分布以及增量学习后支持向量的变化规律，提出了一种新的基于过间隔技术和库恩 一塔克条件的支持向量机增量学习方法。该算法通过在增量学习中逐步积累样本空 间数据所蕴含的领域知识，使得对样本进行有选择的舍弃成为可能。使用此算法， 对仿真数据和实际故障数据进行了验证。表明该算法在保证分类精度的同时，能有 效获取样本数据所蕴含的领域知识、降低训练样本数量和所占的储存空间，并提高 后续训练的速度。 5 、结合工厂实际情况，对分布式网络化监测和诊断系统的总体结构及系统实施 中涉及的关键技术进行了研究，提出了客户机服务器( c s ) 和浏览器服务器( b s ) 相结合的系统开发模式，并开发出了煤气排送机在线监测与故障诊断网络系统。通 过综合前面的研究成果，探讨了支持向量机在煤气排送机故障智能诊断系统的 应用。现场的应用情况表明本系统在实时性、可靠性、准确性、安全性等方面达到 了预期的目标，解决了困扰企业生产的难题。 关键词：支持向量机，故障诊断，机器学习，核主元分析，核参数优化，增量 学习 中南大学博士学位论文 a b g r r a c t a b s t r a c t t oe f f e c t i v e l ya c q u i r e ，t r a n s f e r , d e a lw i t h ，r e g e n e r a t ea n du t i l i z e d i a g n o s t i ci n f o r m a t i o nh a sb e e nt h ec o r eo fi n t e l l i g e n tf a u l td i a g n o s i st h a t e x h i b i t sa l la b i l i t yt op r e c i s e l yi d e n t i f yt h ep a t t e r n so ff a u l t sa n dp r e d i c t f u t u r ef a u l t so ft h es y s t e mw h i c hi sd i a g n o s e d r e c e n t l y , t h ed o m i n a t i n g d i f f i c u l t i e st h a tf a u l ti n t e l l i g e n td i a g n o s i ss y s t e mf a c e s ，a r et e r r i b l el a c ko f t y p i c a lf a u l ts a m p l e sa n df i n d i n gp r o b l e mo fd i a g n o s i sk n o w l e d g e ，b o t ho f w h i c hb a d l yp r o h i b i tt h ed e v e l o p m e n to fm a c h i n e r yf a u l ti n t e l l i g e n t d i a g n o s i s i nr e c e n ty e a r s ，t h er e s e a r c ho fs u p p o r tv e c t o rm a c h i n e ( s v m ) ， w h i c hi sb a s i n go ns t a t i s t i c a ll e a r n i n gt h e o r y ( s e t ) ，i sb e c o m i n gg r a d u a l l y o n eo f t h em o s ti m p o r t a n tb r a n c h e si nt h ef i e l do fm a c h i n el e a r n i n g m a i n l y a c c o r d i n gt ot h ek e yp r o b l e m so fs u p p o r tv e c t o rm a c h i n en e e d t or e s o l v ei n f a u l ti n t e l l i g e n td i a g n o s i ss y s t e m ，t h i sp a p e rm a k e sm o r es y s t e m i ca n d t h o r o u g hr e s e a r c h e si nf e a t u r ee x t r a c t i o nb a s e do nw a v e l e tp a c k e t ，m o d e l b u i l d i n go ff a u l tc l a s s i f i e r s ，f a u l tf e a t u r es e l e c t i o nb a s e do nk e r n e lp r i n c i p a l c o m p o n e n t ( k p c a ) ，p a r a m e t e r so p t i m i z a t i o n o fk e r n e l f u n c t i o n ， i n c r e m e n t a ll e a r n i n g ，e n g i n e e r i n ga p p l i c a t i o n ，a n ds oo n a i m i n ga tt h ec h a r a c t e r i s t i c so ff a u l td i a g n o s i sw i t hf i n i t es a m p l e sa n d b a s e do nd i f f i c u l t i e st r a d i t i o n a lm o d ei d e n t i f y i n gm e t h o do fg r a d u a l c l o s e t h e o r yf a c e si nf a u l tp a t t e r nc l a s s i f i e r , t h ei m p o r t a n ts i g n i f i c a n ti sd i s c u s s e d a b o u ta p p l y i n gs y s t e m i c a l l ys u p p o r tv e c t o rm a c h i n et of a u l ti n t e l l i g e n t d i a g n o s i ss y s t e m ，a n dan o v e lr e s e a r c hm e t h o di sp u tu pf o rf a u l ti n t e l l i g e n t d i a g n o s i s t h ek e yp r o b l e mi ss t u d i e di na p p l y i n gs u p p o r tv e c t o rm a c h i n e t of a u l td i a g n o s i s ，a n dt h ef o u n d a t i o n a lr e a l i z i n gs t e p sa r eb r o u g h to u tf o r s u p p o r tv e c t o rm a c h i n ea p p l y i n gt of a u l td i a g n o s i sa c c o r d i n gt ot h a t s t a n d a r ds u p p o r tv e c t o ri sd e d u c e df r o mt w oc l a s sc l a s s i f i c a t i o np r o b l e m ， w h i c hc a n tb ea p p l i e dd i r e c t l yt or e s o l v i n gm u l t i c l a s sp r o b l e mj u s tl i k e f a u l td i a g n o s i s ，m u l t i c l a s sa r i t h m e t i ci sp u tf o r w a r dw h i c ha d o p t sd e c i s i o n d i r e c t e da c y c l i cg r a p h ，a n dm u l t i - f a u l tc l a s s i f i e ri ss e tu p t a k i n gt y p i c a l f a u l t ，w h i c hr o t o re x p e r i m e n tp l a t f o r ms i m u l a t e s ，a sd i a g n o s e do b j e c t ，t h e m e t h o do f e x t r a c t i n g f a u l tf e a t u r e sb y a p p l y i n g w a v e l e t p a c k e t m 中南大学博士学位论文 a b s l r a c t d e c o m p o s i t i o ni ss t u d i e d a n da l s of a u l tc l a s s i f i e rm o d e l i ss e tu pa n df a u l t d e t e c t i o na n dd i a g n o s i sc o m e st r u es u c c e s s f u l l y f i n a l l y , a l lk i n d s o ff a c t o r s ， w h i c hi n f l u e n c ec l a s s i f y i n gp r o p e r t yo ff a u l tc l a s s i f i e r , a r ea n a l y z e dd e e p l y i no r d e rt od e c r e a s et h ec a l c u l a t i n gc o m p l e x i t yo fc l a s s i f i e r , i n c r e a s et h e s e p a r a b i l i t yo ff a u l tm o d e l s ，i ti sn e c e s s a r yt os e l e c tt h e f e a t u r ev e c t o r s a i m i n ga ts o m es h o r t a g eo fp r i n c i p l a la n a l y s i si nf a u l tf e a t u r es e l e c t i o n ，a k i n do fe f f e c t i v en o n l i n e a rf e a t u r es e l e c t i o nm e t h o d w h i c hb a s e so nk e r n e l p r i n c i p a la n a l y s i s ，i sp u to u ta n dr e a l i z e d b ym e a n so fc a l c u l a t i n gt h e i n t e g r a lo p e r a t o rk e r n e lf u n c t i o n so fo r i g i n a lf e a t u r es p a c e ，t h i sm e t h o d a c t u a l i z e sn o n l i n e a r m a p p i n g f r o m o r i g i n a l f e a t u r e s p a c e t o h i g h d i m e n s i o n a lf e a t u r es p a c e ，a n dg e t sn o n l i n e a rp r i n c i p a lc o m p o n e n t so f o r l g i n a lf e a t u r ed a t ab ym a k i n gp r i n c i p a la n a l y s i so nm a p p i n gd a t ai nh i g h d i m e n s i o n a lf e a t u r e s p a c e t h r o u g h t h es e l e c t i o no ff e a t u r e v e c t o r s ， d i m e n s i o n so ff e a t u r ed a t aa n dc a l c u l a t i n gc o m p l e x i t yo fc l a s s i f i e ra r e d e c r e a s e de f f e c t i v e l y , a n de x p e r i m e n t ss h o wt h a tk e r n e lp r i n c i p a la n a l y s i s i ss e n s i t i v et on o n l i n e a rf e a t u r e so fm a c h i n e r yf a u l t s ，a n di s f i tf o rt h e s e l e c t i o no fn o n l i n e a rf e a t u r e s 曲f a u l ts i g n a l st h a np r i n c i p a la n a l y s i s c l a s s i f y i n gp e r f o r m a n c eo ff a u l tc l a s s i f i e r sh a sg r e a tr e l a t i o n sw i t ht h e p a r a m e t e r so fk e r n e lf u n c t i o ni ns u p p o r tv e c t o rm a c h i n e b a s e d o ns t u d y i n g e x i s t e n tk e r n e lp a r a m e t e r s o p t i m i z a t i o n ，t h et h e o r yo fk e r n e lf u n c t i o n o p t i m i z a t i o no ft a k i n gf i s h e rl i n e a rd i s c r i m i n a t i o na so b j e c tf u n c t i o n ，i s d i s c u s s e d m o r e o v e r , s e l f - o p t i m i z a t i o na l g o r i t h m ，w h i c h i sb a s e do n c o m b i n a t i o no ff i s h e rl i n e a r d i s t i n g u i s hf u n c t i o na n di m p r o v e dg e n e t i c a l g o r i t h m i sp u tf o r w a r d t h en e wa l g o r i t h mm a k e su s eo fg e n e t i co p e r a t o r t or e a l i z ep a r a m e t e ro p t i m i z a t i o no fk e r n e lf u n c t i o na n dn e e d n tc a l c u l a t e g r a d s p a r a m e t e ro p t i m i z a t i o n o ft w o - c l a s sf a u l tc l a s s i f i e rc o m e st r u e a c c o r d i n gt ot h en e wa l g o r i t h m a f t e rd e e p l ya n a l y z i n gt h ef e a t u r e so fs u p p o r tv e c t o rs e t ，k u h n - t u c k e r c o n d i t i o n s ( k k t ) ，g e o m e t r i c a ld i s t r i b u t i n go fs a m p l ed o t sa n dc h a n g er u l e o fs u p p o r tv e c t o rs e ta f t e ri n c r e m e n tl e a r n i n ga r er e s e a r c h e d ，t h e nan o v e l i n c r e m e n tl e a r n i n gm e t h o do fs u p p o r tv e c t o rm a c h i n ei sp u tf o r w a r db a s e d u p o ne x c e e d i n gm a r g i nt e c h n i q u ea n dk u h n - t u c k e rc o n d i t i o n s w i t ht h e f i e l dk n o w l e d g ei n c l u d e di ng r a d u a l l ya c c u m u l a t i n gs a m p l es p a c ed a t a i v 中南大学博士学位论文 a b s l r a c t d u r i n g i n c r e m e n t l e a r n i n g i t b e c o m e s p o s s i b l e t od i s c a r d s a m p l e s e l e c t i v e l y w i t ht h i sa l g o r i t h m ，s i m u l a t e dd a t aa n dp r a c t i c a lf a u l td a t aa r e t e s t e d i tm a k e sc l e a rt h a tw h i l eg u a r a n t y i n gc l a s s i f i c a t i o np r e c i s i o n ，t h i s a l g o r i t h mc a no b t a i ne f f e c t i v e l yf i e l dk n o w l e d g ec o n t a i n e di ns a m p l ed a t a ， d e c r e a s eq u a n t i t yo ft r a i n i n gs a m p l ea n do c c u p i e ds a v es p a c ea n di n c r e a s e s p e e do ff o l l o w i n gt r a i n i n g c o m b i n e dw i t hp r a c t i c a lc o n d i t i o n so ff a c t o r y , t h em o d eo fs y s t e m d e v e l o p m e n t ，w h i c ha p p l i e s c o m b i n a t i o no fc l i e n t s e r v e r ( c s ) a n d b l o w e r s e r v e r ( b s ) ，i sp u tf o r w a r d b a s e do i lt h i s ，t h ew h o l es t r u c t u r eo f d i s t r i b u t e d ，n e t w o r k e dc o n d i t i o nm o n i t o r i n ga n df a u l td i a g n o s i ss y s t e mi s p u tf o r w a r d a n ds e v e r a lk e yt e c h n i q u ep r o b l e m si ns y s t e mr e a l i z a t i o na r e s t u d i e d t h e na no n - l i n ec o n d i t i o nm o n i t o r i n ga n df a u l td i a g n o s i ss y s t e m f o r g a s b l o w e rw a sd e v e l o p e d a f t e r i n t e g r a t i n g a b o v er e s e a r c h a c h i e v e m e n t s ，i n t e l l i g e n td i a g n o s i ss y s t e mb a s e d o ns u p p o r tv e c t o r m a c h i n ei sa c h i e v e d e x p e r i m e n tr e s u l t sp r o v et h a tt h es y s t e mi ss a t i s f i e d t o r e q u i r e m e n t s o nt h e r e a l t i m e ，e x a c t n e s s ，r e l i a b i l i t ya n ds e c u r i t y d i f f i c u l t y , w h i c hb o t h e r sc o r p o r a t i o n sm a n u f a c t u r e ，i sr e s o l v e d k e yw o r d s ：s u p p o r tv e c t o rm a c h i n e ，f a u l td i a g n o s i s ，m a c h i n el e a r n i n g ， k e r n e l p r i n c i p a la n a l y s i s ，p a r a m e t e r so p t i m i z a t i o n o fk e r n e lf u n c t i o n ， i n c r e m e n t a ll e a r n i n g v 中南大学博士学位论文 缩写与符号 缩写 a n n b p e r m s l t s r m v c 维 s s v s v c r b f l v r l - v - i d d a g d d a g s v m s m o p c a k p c a m d a 核参数 k k t 条件 a d o 0 l e c o m o p c s b s d c s c i m s 符号 x x s g n f ( ) l ( ) a 缩写与符号 a r t i f i c i a ln e u r a ln e t w o r k b a c kp r o p a g a t i o n e m p i r i c a lr i s km i n i m i z a t i o n s t a t i s t i c a ll e a r n i n gt h e o r y s t r u c t u r a lr is km i n i m iz a tio n v a p n i k - c h e r v o n e n k i sd i m e n s i o n s u p p o r tv e c t o rm a c h i n e s u p p o r tv e c t o r s u p p o r tv e c t o rc l a s s i f i c a t i o n r a d i a lb a s i cf u n c t i o n o n e v e r s u s r e s t o n e - v e r s u s o n e d e c i s i o nd i r e c t e da c y c l i cg r a p h s v mb a s e do nd e c i s i o nd i r e c t e da c y c li eg r a p h s e q u e n t i a lm i n i m a lo p t i m i z a t i o n p r i n c i p a lc o m p o n e n ta n a l y s i s k e r n e lp r i n c i p a lc o m p o n e n ta n a l y s i s m u l t i p l ed i s c r i m i n a t ea n a l y s i s 核函数的参数 k a r u s h k u h n t u c k e rc o n d i t i o n s ( 库恩一塔克条件) a c t i v e xd a t ao b j e c t o b j e c tl i n k i n ge m b e d d i n g c o m p o n e n to bj e e tm o d e l o n a d r a ticp r o g r a m m i n g c 1i e n t s e r v e r b r o w s e r s e r v e r 集散控制系统 计算机集成制造系统 标量 向量 符号函数 分类决策函数 l a g r a n g e 函数 l a g r a n g e 系数 x 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢的 地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包 含为获得中南大学或其他单位的学位或证书而使用过的材料。与我共 同工作的同志对本研究所作的贡献均已在在论文中作了明确的说明。 作者签名：囱毖童 日期：2 丝生年丝月立日 关于学位论文使用授权说明 本人了解中南大学有关保留、使用学位论文的规定，即：学校有 权保留学位论文，允许学位论文被查阅和借阅：学校可以公布学位论 文的全部或部分内容，可以采用复印、缩印或其它手段保存学位论文； 学校可根据国家或湖南省有关部门规定送交学位论文。 期：扭丝年丝月；日 中南大学博士学位论文第一章绪论 第一章绪论 1 1 课题研究的背景和意义 随着现代化工业大生产的不断发展和科学技术的进步，为了最大限度提高生产 效率和产品质量，作为主要生产工具的机械设备不断朝着大型化、复杂化、高速 化、连续化和自动化的方向发展。设备的生产效率越来越高，机械结构也日趋复 杂，设备中不同部分之间的相互联系也更加紧密。一旦出现故障，可能引起整个 生产流程的中断，造成巨大的经济损失，还可能导致灾难性的人员伤亡和严重的 社会影响，使得人们对设备运行的可靠性、安全性提出了越来越高的要求“。3 。于 是，如何确保机械设各的安全可靠运行，就成为现代设备运行维护和管理的一大 课题。 实践证明，坚持开展设备状态监测、有效地实施故障诊断技术可以早期发现故 障，避免重大恶性事故的发生，是保障设备安全正常运行的主要措施。另一方面， 广泛推行状态监测与故障诊断技术有利于从根本上改变我国现行的“定期维修” 体制，并逐步走向科学的基于状态监测的“视情维修”或“状态维修”体制“1 。 故障诊断技术经过近几十年的研究，取得了长足的发展。勿庸置疑，基于知识 的智能诊断方法是一种很有前途的方法，受到了普遍的重视，它的智能化技术和 丰富的领域专家知识给用户提供了一个简单易用而又可靠的系统。学习是一切智 能系统最根本的特征，机器学习是人工智能最具智能特征和最前沿的研究领域之 “。 当前，故障智能诊断理论和方法的研究虽然已经取得了很大的成就，但由于机 器学习瓶颈问题的制约，对于有限故障样本和诊断知识不完备的诊断对象，仍很 难具有很高的准确性，在实际应用中没有达到理想的效果。故障智能诊断面临的 难题一个是典型故障数据样本的严重不足，从而导致诊断系统中用于训练的样本 数很不完全，另一个是故障特征知识的发现问题，这两者都严重制约着机械故障 智能诊断的发展。机器学习是解决知识获取问题的主要途径，一旦诊断系统具有 了自学习能力，它能从环境的变化中学习新知识，不断自我完善。目前比较常用 的模糊诊断、专家系统和人工神经网络等智能诊断方法，往往需要大量的故障数 据样本或先验知识。而对机械设备，尤其是大型机械设备，获取大量的典型故障 数据样本非常困难。在这种情况下，基于渐进理论的机器学习方法就难以得到有 价值、具有较好推广能力的结果，一些理论上很优秀的诊断方法( 如基于神经网 中南大学博士学位论文第一章绪论 络的智能诊断方法) 在实际应用中就很难有出色的表现。此外，由于设备自身的 结构复杂性，机、光、电、液、气问的耦合非线性、运动非线性等，使得设备故 障引起的外部特征可能减弱、消失、重叠，因而现有的智能诊断方法未能有效地 解决复杂系统的故障诊断问题。因此，选择一种具有良好推广能力、适合小样本 情况的学习机器进行故障智能诊断是非常关键的。 统计学习理论( s t a t i s t i c a ll e a r n i n gt h e o r y 简称s l t ) 和支持向量机 ( s u p p o r tv e c t o rm a c h i n e ，简称s ) 的诞生为这些问题的解决开辟了一条新的 途径。支持向量机”1 较好地解决了以往许多学习方法中小样本、非线性和高维数 等实际难题，并克服了神经网络等学习方法中网络结构难以确定、收敛速度慢、 局部极小点、过学习与欠学习以及训练时需要大量数据样本等不足，可以使在 小样本情况下建立的分类器具有很强的推广能力。这对故障诊断而言具有很强 的现实意义，为机械故障的智能诊断提供了一种新的研究方法。因此，本课题 选择基于支持向量机的故障智能诊断作为研究方向将具有重要的学术意义和工 程意义。 1 2 机械故障诊断技术研究概述 机械故障诊断技术是- - i 紧密结合实际的交叉学科，生产实际的需要是它发展 的根本原因，因此它有广阔的工程背景和实用价值。故障诊断技术的发展经历了 事后维修、预防维修、状态监测和智能诊断阶段，特别是进入2 0 世纪8 0 年代以 后，人工智能和专家系统、神经网络在故障诊断中得到了广泛的应用。虽然智能 诊断阶段发展的历史不长，但已有的研究成果表明，设备智能诊断具有广泛的应 用前景。 近3 0 年来，机械故障诊断技术不断吸取现代科学技术发展的新成果，从理论 研究到实际应用都有了迅速的发展，已成为集数学、力学、化学、电子技术、计 算机技术、信号处理和人工智能等各种现代科学技术于一体的新兴交叉学科。其 研究内容主要反映在以下四个方面：( 1 ) 故障机理；( 2 ) 故障信号处理技术；( 3 ) 模式识别与人工智能技术；( 4 ) 故障诊断系统。 1 2 1 故障机理 故障机理研究是设备故障诊断的基础”3 。 型故障机理进行了大量的理论和实验研究， 2 国内外许多专家学者对机械设备的典 得出了许多重要的结论，有效地指导 中南大学博士学位论文第一章绪论 了设备的状态监测与故障诊断。例如，美国s o h r e j s 在1 9 6 8 年发表论文高速 涡轮机械运行故障的起因和治理“”，对旋转机械典型故障的征兆和原因进行了全 面的描述和归纳，他将典型故障归纳为9 类3 7 种，该项研究成果已经广泛应用于 高速旋转机械的故障诊断。日本的白木万博0 3 自六、七十年代以来，发表了大量有 关故障诊断方面的文章，总结了丰富的现场诊断经验并进行了详细的理论分析。 美国b e n t l y 公司转子动力学研究所对转子和轴承系统典型故障机理进行了大量的 试验研究，发表了一系列论文0 1 。还有日本的安田千秋“”等对各种异常振动及其振 动频率进行了归纳，并以此开发了实用的振动监测和诊断系统。在国内，许多专 家、学者在故障机理研究方面也做了大量的工作，取得了可喜的成绩，如文献 1 1 t 5 所述。这些研究成果在故障诊断中获得了广泛的应用，如钟掘院士、陈安华教 授等对机械系统的非线性故障机理进行了系统的研究，提出了一种新的转子系统 非线性振动的辨识建模方法“；高金吉院士“7 1 在他论文中结合多年来的实践经验， 对高速旋转机械的故障机理及识别特征进行了研究，提出了一次原因及主导频率 的科学分类方法，归纳、总结了诊断l o 类5 8 种故障的识别特征，给出了在设计 制造、安装维护、运行操作、机器劣化等方面产生故障的主要原因和防治方法。 1 22 故障信号处理技术 在故障诊断学科的发展过程中，最重要、最关键的问题就是故障特征信息的提 取，它直接关系到故障诊断的准确率和故障早期预报的可靠性“。为了从根本上 解决故障特征信息提取这个关键问题，人们主要借助于信号处理，特别是现代信 号处理的理论和技术手段。利用振动信号对设备进行诊断，是故障诊断中最有效、 最常用的方法之一。传统的以快速傅立叶变换为核心的传统信号分析方法，包括 频谱分析、相关分析、倒频谱分析、细化谱分析、阶比谱分析、全息谱分析、最 大熵谱分析等“”，在设备状态监测与故障诊断中发挥了巨大作用，仍是目前最 常用的故障特征提取方法之一。由于从机械设备上所测得的信号干变万化，大量 是非平稳、非高斯分布和非线性的随机信号，尤其是在故障发生时更是如此。为 了更有效获取故障特征信息，人们已不满足于用线性、因果、最小相位系统和平 稳、高斯分布的随机信号去描述实际信号，非线性、非因果、非最小相位系统及 非平稳信号和非高斯信号己被确定为振动信号处理的对象，高阶统计量方法1 ”、 盲信号处理”“、小波变换哪1 以及短时傅立叶变换、w i g n e r v i l l e 时频分布、 双线性时频分布。”、h il b e r t h u a n g 变换“3 等时频分析理论已成为研究的热点， 并取得了许多有价值的研究成果。 中南太学博士学位论文 第章绪论 1 23 模式识别与人工智能技术 从本质上讲，故障诊断可视为一个故障模式识别过程( 见图卜1 ) 。模式识别技 术在机械故障诊断中有着广泛的应用。例如，浙江大学的童进博士把隐m a r k o v 模 型引入到旋转机械升降速过程的故障诊断“”，西安交通大学的高毅龙博士1 、哈 尔滨工业大学的黄文涛博士等“33 把粗糙集理论用于旋转机械的故障诊断，取得了 较好的效果。文献 4 4 4 7 阐述了在统计学习理论基础上发展起来的通用学习方 法一支持向量机用于模式分类的原理和算法，支持向量机己成功用于模式识别等 领域，并表现出来优良的性能，特别是对解决因缺少大景故障数据样本而制约故 测试数据特征提取分类器故障检测 。一 图卜1 机械故障诊断流程 障智能诊断发展的瓶颈问题提供了。一条新的途径。在国内也开始对支持向量机模 式识别方法进行了研究，如西安交通大学的张周锁、何正嘉教授1 、五邑大学的 肖健华博士、吴今培教授1 、重庆大学的马笑潇博士、黄席樾教授“等人开始把 该方法用于故障诊断领域。但在国内，该方法用于故障诊断领域不多见，而且在 许多地方需要进步研究和改进，是一个非常有应用前景的领域。因此，系统地 研究支持向量机方法及其在机械故障诊断中的应用即为本论文的出发点，本文对 此作了一些有益的探索。 在故障诊断中使用人工智能技术的目的是为了实现诊断的自动化。人工智能技 术是目前设备故障诊断的发展方向之”，其中基于知识的故障诊断和基于神经网 络的故障诊断两个方面研究得最多也最成熟“1 ”。 基于知识的故障诊断大致经历了两个发展阶段：基于浅知识( 规则) 的诊断方法 和基于深知识( 模型知识) 的诊断方法。近年来发展的基于浅知识和深知识相结合 的诊断推理方法有6 a 1 1 6 n t i 和h i n k 提出的集成诊断模型以及p e n g 提出的层次因 的诊断推理方法有6 a l l a n t i 和h i n k 提出的集成诊断模型匕王及p e n g 提出的层次因 中南大学博士学位论文 第一章绪论 果模型等”。 如今，神经网络的研究和应用几乎覆盖了所有的学科领域。由于神经网络具有 独特的容错、联想、推理、记忆、自学习、并行计算、高度的自适应以及高度的 非线性映射能力，因而在故障诊断领域受到高度的重视，并得到了广泛的研究和 应用。目前，在故障诊断中用得最多的是多层前馈神经网络( b p ) 、多层感知器 ( m l p ) 、自适应共振理论( a r t ) 、自组织特征映射( f m ) 等“”。为了提高神经网 络的推广性能，许多专家学者对神经网络的网络结构、学习算法和样本数据的处 理进行了深入研究，比如应用剪枝法优化网络连接方式“，将遗传算法用于优化 网络结构和参数”3 ，将小波分析与神经网络相结合，提出了小波神经网络。，将 贝叶斯法或d s 推理等信息融合方法与神经网络相结合，提出了基于信息融合的 神经网络。33 等，还有五邑大学的吴今培教授把模糊数学和神经网络结合起来用于 故障诊断领域1 ，所有这些对神经网络在机械故障诊断中的应用起到了极大的推 动作用。 1 2 4 故障诊断系统 无论什么先进的方法与技术，最终都要归结到实际应用的设备上。目前故障诊 断系统的研制与开发主要体现在以下两个方面：( 1 ) 便携式的监测与诊断系统；( 2 ) 在线监测与故障诊断系统。 便携式的振动监测与诊断系统主要采用单片机，其功能是对机组振动信号进行 采集，并对所采集的信号进行简易的分析与诊断，象丹麦b l ( 公司、美国e n t e c k 公司生产的多种分析仪器等在现场得到了广泛的应用。这类系统使用方便，但信 号分析和故障诊断的功能较弱。 在线监测与故障诊断系统一般都配有传感器子系统、数据采集子系统、报警与 联锁保护子系统、状态监测子系统，并配有丰富的信号分析与诊断软件，可以存 储大量的实时和历史数据，以便分析诊断之用。这类系统一般采用上、下位机的 工作方式。下位机进行数据采集与监测，上位机对采集的数据进行分析和诊断。 如美国b e n t l y 公司的3 3 0 0 、3 5 0 0 系统和d m 2 0 0 0 、队3 0 系统，w e s t i n g h o u s e 公 司的p d s 系统以及日本三菱公司的系统1 。其中美国开发得最早，技术也最 先进。与此同时，国内也相继开发了许多针对发电机组、燃气轮机、压缩机组、 风机、水泵、电机等设备所开发的旋转机械在线监测与故障诊断系统，如西安交 通