基于量子粒子群優(yōu)化的Volterra核辨識及故障診斷方法研究.pdf

1、本論文在國家自然科學(xué)基金(50775208)資助下，將量子粒子群優(yōu)化(Quantum Particle Swarm Optimization，簡稱QPSO)算法引入到非線性系統(tǒng)的Volterra級數(shù)模型辨識中，深入研究了基于QPSO的Volterra時域核辨識方法及在旋轉(zhuǎn)機械故障診斷中的應(yīng)用，取得了比較好的創(chuàng)新性成果。其主要內(nèi)容包括以下幾個方面：
　　 第一章，論述了本課題的提出及其研究意義，綜述了Volterra級數(shù)模型的國內(nèi)

2、外研究現(xiàn)狀及在故障診斷中的應(yīng)用，提出了本論文的主要內(nèi)容及創(chuàng)新之處。
　　 第二章，介紹了Volterra級數(shù)模型的基本理論、Volterra級數(shù)時域核(GIRF)和頻域核(GFRF)的辨識方法，并給出了基于Volterra級數(shù)模型的故障診斷思路。本章內(nèi)容是整篇論文的理論基礎(chǔ)。
　　 第三章，針對基于傳統(tǒng)的最小均方算法的Volterra時域核(GIRF)辨識方法的不足，將量子粒子群優(yōu)化引入到非線性系統(tǒng)的Volterra核辨

3、識中，提出了一種基于量子粒子群優(yōu)化的Volterra時域核辨識方法，并和傳統(tǒng)的最小均方(LeastMean Squares，簡記為LMS)算法進行了比較，仿真研究表明，在辨識精度、收斂性和抗干擾性方面，提出的方法都優(yōu)于傳統(tǒng)的LMS方法，而且，隨著核記憶長度的增加，這種優(yōu)勢會更明顯。之后，將提出的方法應(yīng)用于旋轉(zhuǎn)機械轉(zhuǎn)子系統(tǒng)的故障診斷中，給出了轉(zhuǎn)子裂紋故障和正常狀態(tài)轉(zhuǎn)子的Volterra時域核，對兩者進行了比較分析，實驗結(jié)果表明，提出的方法

4、是有效的，轉(zhuǎn)子裂紋狀態(tài)的Volterra時域核很好地反映了此狀態(tài)下轉(zhuǎn)子系統(tǒng)的非線性特征。
　　 第四章，提出了基于Volterra時域核(GIRF)的核主分量分析故障診斷方法。該方法首先利用量子粒子群優(yōu)化(QPSO)算法辨識出Volterra時域核，然后將其作為原始空間數(shù)據(jù)進行核主分量分析(KPCA)，利用主分量分布和投影圖實現(xiàn)識別分類。實驗中利用提出的方法對轉(zhuǎn)子系統(tǒng)的正常、轉(zhuǎn)子裂紋、轉(zhuǎn)子碰摩、基座松動四種狀態(tài)進行識別分類，結(jié)果

5、表明，該方法是有效的，在只考慮一階Volterra核不能很好地識別狀態(tài)時，可以從二階、三階Volterra核上來區(qū)分，體現(xiàn)了基于Volterra級數(shù)的故障診斷方法特征信息豐富的優(yōu)勢。
　　 第五章，論述了支持向量機基本原理和SVM多類分類問題算法，在此基礎(chǔ)上，提出了基于Volterra時域核(GIRF)的支持向量機故障識別方法。該方法將利用量子粒子群優(yōu)化(QPSO)算法辨識出的Volterra時域核作為特征向量輸入到支持向量機(

6、SVM)分類器中識別非線性系統(tǒng)的不同狀態(tài)。實驗結(jié)果表明，當(dāng)故障樣本較為豐富時，不論是只利用一階核還是利用前三階核作為特征向量都取得了理想的分類效果，但是當(dāng)故障樣本較少時，利用前三階核作為特征向量時的識別結(jié)果明顯優(yōu)于只利用一階核時的情況。這說明Volterra非線性核包含了Volterra線性核所不能反映的故障特征，良好的分類效果展現(xiàn)了提出的方法在小樣本的故障診斷中的優(yōu)越性。
　　 第六章，將Volterra時域核(GIRF)和隱

7、Markov模型(HMM)結(jié)合，提出了基于Volterra時域核和HMM的故障診斷方法。在提出的方法中，首先利用QPSO算法從已知狀態(tài)的振動信號中提取出前三階Volterra時域核，將其作為觀測值序列訓(xùn)練出各種狀態(tài)的HMM，再利用QPSO算法辨識出測試數(shù)據(jù)的前三階Volterra時域核，輸入到各種狀態(tài)的HMM中，其中輸出概率最大的HMM對應(yīng)的狀態(tài)即為設(shè)備的當(dāng)前運行狀態(tài)。實驗中利用旋轉(zhuǎn)機械升速過程中的振動信號，采用提出的方法對轉(zhuǎn)子系統(tǒng)的四

8、種狀態(tài)進行識別分類，結(jié)果驗證了該方法的有效性，僅利用一階Volterra核訓(xùn)練HMM時各個狀態(tài)迭代得到的對數(shù)概率值雖然互不相同，但是差異不大，利用前三階Volterra核訓(xùn)練HMM時各個狀態(tài)迭代得到的對數(shù)概率值的差異明顯大于前種情況，分類效果得到了顯著的改善。提出的方法為旋轉(zhuǎn)機械非平穩(wěn)過程的故障診斷提供了一種有效的解決方案，具有重要的理論意義和實際的應(yīng)用價值。
　　 第七章，對全文的工作進行了總結(jié)，并提出了值得進一步研究的問題。