基于支持向量机的轧机齿轮箱故障智能诊断技术研究

• 作 者: 任志强
• 机 构: 北京工业大学
• 出 处: 北京工业大学
• 发表日期: 2010年期

本课题针对轧机齿轮箱智能诊断小样本数据以及知识获取困难的问题,提出支持向量机结合规则推理的智能诊断方法。在研究支持向量机(SVM)技术的优缺点,简要分析规则推理的方法基础上,将二者合理地应用于齿轮箱故障诊断工作中,有效提高故障诊断准确性和效率。本课题研究的主要内容如下:　　
(1)研究故障特征的时域提取方法以及小波包分解、经验模式分解(EMD)方法,并针对模拟故障的试验数据以及轧机监测系统提供的工程数据,研究其与设备故障之间的关系。　　
(2)分析影响支持向量机分类性能的因素,通过实验数据以及现场数据,重点研究样本数量、核函数参数、特征选取与支持向量机分类性能的关系。针对特征选取,应用Fisher比率方法进行优化,有效提高了支持向量机的分类性能。　　
(3)运用模糊产生式方法表示故障诊断的规则,将一些定性的信息定量化,根据轧机齿轮箱关键部件的典型故障特征,建立了齿轮箱故障诊断规则的模糊矩阵,通过模糊逻辑推理的方法得出诊断结论。　　
本课题采用支持向量机与规则推理的故障诊断方法,进行实际齿轮箱打齿故障故障分析。该方法已在实验室中应用,通过分析现场采集的工程数据,获得了良好的使用效果。