基于支持向量數(shù)據(jù)描述的滾動軸承故障診斷方法研究.pdf

1、機械故障診斷實質(zhì)上是一個小樣本的模式識別問題。在實際工程應(yīng)用中，故障數(shù)據(jù)的缺乏一直是制約智能故障診斷技術(shù)發(fā)展的一個重要因素，使得傳統(tǒng)的智能診斷技術(shù)諸如神經(jīng)網(wǎng)絡(luò)等往往因訓(xùn)練樣本數(shù)據(jù)的不足而不能取得理想的診斷效果。
　　 支持向量數(shù)據(jù)描述(SVDD)方法是一種在統(tǒng)計學(xué)理論和傳統(tǒng)的支持向量機基礎(chǔ)上發(fā)展起來的單值分類方法，它能有效的解決故障樣本數(shù)據(jù)缺乏的問題。SVDD方法的基本思想是：通過在特征空間中尋求一個最小容積的超球體，使得所有的

2、或者絕大部分的目標樣本都被包含在該超球體內(nèi)，而非目標樣本盡可能都落在超球體外，從而達到將目標類樣本和非目標類樣本分開的目的。SVDD方法只需要一類樣本數(shù)據(jù)即可進行分類，這種方法具有計算速度快、可有效處理小樣本、魯棒性強等優(yōu)點。利用這種方法，僅依靠正常運行時的振動信號就可以監(jiān)測機器的運行狀態(tài)，判別機器是否存在故障。因此，SVDD方法在工程應(yīng)用中具有極高的實用價值，有望解決智能故障診斷中因故障數(shù)據(jù)樣本缺乏而不能精準判定故障的問題。
　

3、　 本文的主要研究內(nèi)容包括：
　　 (1)核函數(shù)在SVDD方法中有著十分重要的作用，本文對核函數(shù)進行了研究。通過仿真實驗分析表明，使用高斯核函數(shù)時，SVDD方法的檢測精度最高。
　　 (2)對LMD方法和EMD方法進行了對比研究。通過分析，LMD方法在減少迭代次數(shù)和降低端點效應(yīng)方面要優(yōu)于EMD方法。
　　 (3)提出了一種基于SVDD與LMD奇異值的滾動軸承故障診斷方法，在實際應(yīng)用中，該方法能有效的對滾動軸承進