论文部分内容阅读
随着现代科学技术的迅猛发展,旋转机械不断朝着大型化、复杂化、高速化、连续化和自动化的方向发展。这些发展在带来较高生产效率的同时,对设备的安全运转也提出了更高的要求。对设备的状态进行监测和识别是保证设备安全可靠运行的重要措施。本文基于多核学习(Multiple Kernel Learning,MKL)支持向量机理论,对旋转机械故障识别过程中一些关键问题的解决进行了深入研究。传统单核支持向量机不能满足诸如数据异构或不规则、样本不平坦分布等实际的应用需求,因此将多个核函数进行组合,以获得更好的结果是一种必然选择。本文将多核学习支持向量机应用到旋转机械的故障识别中,并通过实验验证了该方法的有效性和优越性。作为数据处理的方法,集总经验模态分解(EEMD)能够较好地处理非平稳、非线性问题,消除模态混叠效应,提出将EEMD方法和多核学习支持向量机结合,在对故障分类之前采用EEMD对原始信号进行预处理,以获得更好的分类效果。在EEMD方法分解出的固有模态分量(IMF)中,为了更有效地提取故障特征,需要选取对故障敏感的IMF。本文提出基于多核学习的IMF分量选择方法,该方法能定量地给出每一个IMF对最后分类结果的贡献度,提高了IMF选取结果的有效性和合理性。考虑到利用单一特征的识别方法具有很大的局限性,为了将不同的特征融合,最大限度地利用各种特征,本文提出基于多核多特征的液压泵故障识别方法。该方法首先提取多类特征,然后分别用特定的核函数映射,实验结果表明该方法显著地提高了分类器的性能。