基于支持向量機與遺傳算法的故障模式識別及趨勢預(yù)測方法研究.pdf

1、本文開展了基于支持向量機(SupportVectorMachine---SVM)與遺傳算法(GeneticAlgorithms--GA)的故障模式識別及趨勢預(yù)測方法研究，利用支持向量機對滾動軸承典型故障進行了模式識別，同時應(yīng)用預(yù)測模型對齒輪狀態(tài)趨勢進行預(yù)測，并利用遺傳算法分別對支持向量機分類過程和趨勢預(yù)測過程進行了優(yōu)化分析，主要工作如下:
　　 (1)基于SVM可以解決小樣本學(xué)習(xí)問題這一優(yōu)點，提出利用SVM對滾動軸承在正常、內(nèi)圈

2、缺陷、外圈缺陷和滾動體缺陷條件下工作的四種狀態(tài)信號進行識別分類，為了提高分類識別率，利用遺傳算法具有優(yōu)良空間搜索性能的特點，對分類過程中的兩個重要核參數(shù)初始值進行優(yōu)化，提出了基于GA算法的改進SVM識別方法，研究結(jié)果表明:核參數(shù)初始值經(jīng)過GA優(yōu)化后SVM分類識別率得到了明顯提高，能較好地實現(xiàn)軸承典型故障類型的識別。
　　 (2)為解決低轉(zhuǎn)速滾動軸承故障特征難以提取的問題，利用小波變換技術(shù)具有高低頻分離、局部細化和時頻域內(nèi)特征提取

3、等性能優(yōu)點，提出基于小波變換技術(shù)的低轉(zhuǎn)速滾動軸承故障特征提取方法，對低轉(zhuǎn)速軸承正常、外圈缺陷、內(nèi)圈缺陷和滾動體缺陷等四種狀態(tài)下的振動信號進行診斷分析，并結(jié)合SVM對軸承典型故障進行了分類識別，由分析結(jié)果可知，利用小波變換與支持向量機技術(shù)相結(jié)合的方法處理低轉(zhuǎn)速滾動軸承故障問題能夠取得很好的效果。
　　 (3)為了預(yù)測齒輪狀態(tài)趨勢發(fā)展狀況，建立三階函數(shù)方程預(yù)測模型對齒輪趨勢發(fā)展進行模擬分析研究，利用GA良好的空間搜索性，提出基于GA