基于小波變換與SVM的鉆桿故障診斷.pdf

1、本文針對某公司所提出的跨海大橋鉆機(jī)鉆桿破壞與鉆桿間螺栓松動的問題進(jìn)行針對性研究，通過搭建縮比的模擬鉆機(jī)進(jìn)行實(shí)際工況的模擬，提出基于小波變換的鉆桿故障特征提取方法提取鉆桿故障特征并構(gòu)建故障特征向量，通過所構(gòu)建的特征向量進(jìn)行SVM模型的訓(xùn)練，采用SVM與小波分形的方法對鉆桿的正常、鉆桿破壞與螺栓松動三種狀態(tài)的信號進(jìn)行分類。得出了如下幾點(diǎn)結(jié)論:
　　(1)通過對不同狀態(tài)信號進(jìn)行分解得到不同狀態(tài)在各個頻帶上的能量分布規(guī)律，可以看到，當(dāng)鉆桿

2、破壞時或螺栓松動時，其能量分布規(guī)律與正常狀態(tài)有著較大的差別，可用作特征向量對SVM模型進(jìn)行訓(xùn)練。
　　(2)對于三種狀態(tài)五種轉(zhuǎn)速下的信號分別測試50組，共750組，基于所構(gòu)建的故障特征向量進(jìn)行SVM模型的訓(xùn)練，并選擇適當(dāng)?shù)臏y試樣本進(jìn)行SVM模型的測試得到了較高的狀態(tài)識別率，并且在45r/min時的正常狀態(tài)，在65r/min時的正常狀態(tài)、螺栓松動狀態(tài)均達(dá)到了100％的識別率。
　　(3)通過小波分形對鉆桿的狀態(tài)進(jìn)行分類，同樣可

3、以實(shí)現(xiàn)很好的分類效果，且分類效果比所訓(xùn)練的SVM模型更好，但是兩種方式對信號考察的角度不同，基于小波包能量分解算法得到的特征向量考察的是同一尺度不同頻帶上的能量分布規(guī)律，小波分形考察的是能量在不同尺度間的分布情況，因此最好的方式是能夠?qū)煞N方法結(jié)合起來進(jìn)行使用。正常狀態(tài)下信號計(jì)算所得的分形維數(shù)的大小主要集中在1.2以下，而螺栓松動信號則大部分集中在1.4以上，鉆桿破壞信號的分形維數(shù)則集中在二者之間，需要強(qiáng)調(diào)的是，通過小波分形的方法得到的