基于支持向量機的船舶主機缸蓋故障診斷的研究.pdf

1、機械故障診斷的發(fā)展歷程中，故障確診率的提高一直是研究的熱點。為了系統(tǒng)地闡述機械故障診斷中的問題，本文中給予了相關的定義及分類。按照機械故障診斷推理過程的環(huán)節(jié)，詳細分析了故障產(chǎn)生的機理和具體的原因。 采用小波分析法和時間序列分析法由柴油機缸蓋表面振動信號來識別氣缸壓力，通過對示功圖進行分析計算得到了相應的放熱規(guī)律。本文將柴油機工作循環(huán)的模擬計算與前述放熱規(guī)律的多工況計算相結合，根據(jù)柴油機缸蓋振動信號來預測其多工況性能。 故

2、障診斷本質上是一種模式識別或分類的方法。在理論上和應用上，支持向量機(SVM)都是非常有價值的模式識別方法。由于支持向量機的分解原理是局部最優(yōu)值恰是全局最優(yōu)值的一個二次規(guī)劃，在訓練和識別中可以避免陷入局部最優(yōu)值的泥沼。它基于結構風險最小化原則，可以在算法復雜性(VC維)和訓練準確性(結構風險最小化)之間進行最優(yōu)化平衡，因而有良好的泛化能力。 支持向量機(SVM)是一種基于統(tǒng)計學習理論和結構風險最小化原則的新型機器學習方法，克服了

3、傳統(tǒng)機器學習方法在訓練中的局部極小問題，過學習和欠學習等問題，具有很好的泛化能力。本文介紹了支持向量機(SVM)在船用柴油機缸蓋故障診斷應用的基本理論，然后以隨機激勵下壓電智能結構的響應數(shù)據(jù)作為訓練樣本集，仿真結果驗證了這種方法的有效性。 本文在學習探討SVM算法的同時，結合SVM在船用柴油機缸蓋故障診斷中的應用研究進行了論述。 第一章主要介紹SVM基礎理論和原理。支持向量機(簡稱SVM)已經(jīng)成為樣本學習的最普遍的方法之

4、一，并且在科學和工程技術上有許多潛在的應用。支持向量機是一種新型的基于破壞性風險最小化理論基礎上的機器學習手段，即使在樣本很少時也顯示出很好的泛化能力。在有限樣本的機器學習中顯示出優(yōu)異的性能。作為結構風險最小化歸納準則的具體實現(xiàn)，支持向量機具有全局最優(yōu)性和較好的泛化能力。支持向量機已經(jīng)發(fā)展成為在噪聲、復雜控制領域進行分類，有效回歸的有力工具。支持向量機的兩個主要特征是泛化理論和核函數(shù)，泛化理論提供了選擇假設的原理和方法，而核函數(shù)則能夠在

5、不明確要求非線性算法的情況下在假設空間中引入非線性。 目前SVM是模式識別領域中最先進的機器學習算法，它已初步體現(xiàn)出很多優(yōu)于已有方法的性能。由于采用了結構風險最小化原則代替經(jīng)驗最小化原則，支持向量機能夠較好地解決小樣本學習的問題。又由于采用了核函數(shù)的思想，使它能夠把非線性空間的問題轉換到線性空間，降低了算法的復雜性。 第二章介紹了船用柴油機通過噪聲和振動信號對故障進行檢測。因為柴油機工作循環(huán)的周期性和多變性，柴油機的振動

6、和噪聲是很復雜的。因此，通過這些信號來檢測機械故障是困難的。 研究表明，許多情況下檢測超過20000HZ或更高一點的系統(tǒng)，檢測本征頻率是有效的檢測方法。同時也表明，對于振動信號的檢測優(yōu)于對聲音信號的檢測。 這兩種相對高頻的信號，正常運轉時不明顯，而在故障時會增大到一個很高的程度，遠高于低頻信號和較低的系統(tǒng)固有頻率的增加幅度。因此，根據(jù)高頻信號去檢測故障會更容易些。柴油機機械部件需要新的或改進的監(jiān)控方法。本章主要討論了一些

7、應用噪聲和振動信號對柴油機進行故障檢測的方法。 第三章闡述了船用柴油機主機缸蓋的故障診斷研究。在產(chǎn)品制造和使用過程中對質量要求的提高激發(fā)了制造商和用戶對故障檢測和診斷方面研究的發(fā)展。大多數(shù)生產(chǎn)制造和使用過程涉及許多相關變量。當其中有一個變量偏離它的既定范圍時，故障就會發(fā)生。迅速而有效的診斷系統(tǒng)有助于避免出現(xiàn)質量問題和進行預防性維護修理。 故障診斷系統(tǒng)有兩個任務，故障檢測和故障診斷。前者的目的是為了確定系統(tǒng)中發(fā)生的故障。將

8、系統(tǒng)所有有用的信息收集處理并判別與正常工作時的不同。例如，溫度，壓力，波動率，流量，噪聲等信息。后者被用于確定故障種類和故障源?；剞D機械中，故障主要原因在于軸承出現(xiàn)問題。掌握和診斷軸瓦存在的故障是增加運行可靠性的一種途徑。 活塞式內(nèi)燃機中參與燃燒過程的機械部件故障可以從氣缸示功圖，排氣閥，聲音和振動信號反映出來。 第四章是本文的一個主要研究內(nèi)容，主要側重于應用SVM對船用柴油機缸蓋振動信號特性及典型故障的診斷。船用主柴油

9、機的振動信號包含了關于燃燒室部件壽命的有用信息。它常用來控制檢測機器前期故障。幾種常發(fā)生的故障可以從四沖程柴油機文獻記錄的振動信號得出。柴油機部件工作狀態(tài)可以通過監(jiān)測氣缸蓋振動信號得出。 通過討論由氣閥沖擊和燃燒壓力引起的氣缸蓋振動信號的特征，提出一些適用于柴油機振動控制和故障診斷的準則。通過支持向量機方法，建立信號模型和等價冗余模型，通過測量和分析檢測出導致產(chǎn)生冗余誤差的故障。 研究結果表明，SVM成功地被應用于許多研

10、究方向，例如模式識別，多元回歸非線性模型匹配等。結果表明，不但從理論角度看該技術令人滿意，而且在實際應用中有很高的績效。 第五章是結論與展望。對本文作了簡要的總結，并對SVM的應用作了展望。新的對機器的檢測途徑，是以支持向量機的神經(jīng)網(wǎng)絡方法為基礎的，現(xiàn)在已經(jīng)開始應用。檢測可以理解為對部件缺陷的識別，部件缺陷意味著數(shù)值高于或低于設定范圍。這種方法的特征是高精度和高速度。當神經(jīng)網(wǎng)絡被建立后，不管環(huán)路的大小，都能迅速的識別故障。因而這

11、種方法適用于實時的缺陷定位。支持向量機神經(jīng)網(wǎng)絡的優(yōu)勢在于它的良好的泛化性。僅僅基于有限數(shù)量的各種故障的典型缺陷樣本，就可以在大范圍內(nèi)識別有關部件參數(shù)和承受力的非理想缺陷。在機器樣本的故障檢測中，支持向量機的方法比當前應用方法的精確性要高。 實驗結果表明支持向量機方法比傳統(tǒng)的人工神經(jīng)網(wǎng)絡方法和其他方法更有效。在研究中，它對多類故障的分類有很多優(yōu)勢：算法簡單；分類容易和效率高。它非常適宜聯(lián)機監(jiān)控和診斷。SVM提供了一種新的有益的途徑

12、，用于發(fā)展智能診斷。 這種方法能改善故障診斷的穩(wěn)健性和準確性，而且它還可以應用到其他的領域?；谀壳暗难芯?，可以得出以下的結論： 1)SVM是一種非常好的故障診斷的方法，它具有許多有利的特性。首先，它有能力處理非可見樣本并且準確。其次，它僅僅要求很少量的樣本。再者，在決策過程中，它只需要很少的的計算量。所有的這些特性使它成為了一種非常有吸引力的故障檢測方法。 2)SVM的成功之處主要在于它應用核函數(shù)將信號映射到更

13、高維的特征空間，在特征空間中可以檢測到信號的附加特征值。有趣的是，只要樣本足夠大，核函數(shù)的選擇并不是決定性的因素。 今后的研究應集中在選擇更適宜的傳感器裝置使檢測最優(yōu)化。打算進行基于特征提取的故障檢測和診斷(FDD)，這樣可以減少計算的復雜性，也有利于(FDD)使用實時數(shù)據(jù)。還計劃建立一些完善的模型，這會有助于將來船舶柴油機的故障檢測和診斷。 總之，因為SVM完備的理論基礎和出色的學習性能，其已經(jīng)成為了機器學習界的研究熱

14、點，并在很多領域都得到了成功的應用。但是作為一種新興技術，SVM在很多應用領域的研究都還有待于探索和完善。如核函數(shù)和參數(shù)的選擇缺乏理論指導、訓練算法的不完善、不支持增量學習等。這些問題的存在，使得SVM在很多領域的應用受到了較大的限制。實驗顯示，在短期預測中4種核函數(shù)有著基本相同的預測能力，而在長期預測中，向基函數(shù)核和多項式核表現(xiàn)出了相對較高的預測能力，同線性核和神經(jīng)網(wǎng)絡核相比，它們的歸一化均方誤差約降低了20％。SVM與向后傳播神經(jīng)網(wǎng)