基于支持向量機(jī)的船舶主機(jī)缸蓋故障診斷的研究.pdf

1、機(jī)械故障診斷的發(fā)展歷程中，故障確診率的提高一直是研究的熱點(diǎn)。為了系統(tǒng)地闡述機(jī)械故障診斷中的問題，本文中給予了相關(guān)的定義及分類。按照機(jī)械故障診斷推理過程的環(huán)節(jié)，詳細(xì)分析了故障產(chǎn)生的機(jī)理和具體的原因。 采用小波分析法和時(shí)間序列分析法由柴油機(jī)缸蓋表面振動(dòng)信號(hào)來識(shí)別氣缸壓力，通過對(duì)示功圖進(jìn)行分析計(jì)算得到了相應(yīng)的放熱規(guī)律。本文將柴油機(jī)工作循環(huán)的模擬計(jì)算與前述放熱規(guī)律的多工況計(jì)算相結(jié)合，根據(jù)柴油機(jī)缸蓋振動(dòng)信號(hào)來預(yù)測(cè)其多工況性能。 故

2、障診斷本質(zhì)上是一種模式識(shí)別或分類的方法。在理論上和應(yīng)用上，支持向量機(jī)(SVM)都是非常有價(jià)值的模式識(shí)別方法。由于支持向量機(jī)的分解原理是局部最優(yōu)值恰是全局最優(yōu)值的一個(gè)二次規(guī)劃，在訓(xùn)練和識(shí)別中可以避免陷入局部最優(yōu)值的泥沼。它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，可以在算法復(fù)雜性(VC維)和訓(xùn)練準(zhǔn)確性(結(jié)構(gòu)風(fēng)險(xiǎn)最小化)之間進(jìn)行最優(yōu)化平衡，因而有良好的泛化能力。 支持向量機(jī)(SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的新型機(jī)器學(xué)習(xí)方法，克服了

3、傳統(tǒng)機(jī)器學(xué)習(xí)方法在訓(xùn)練中的局部極小問題，過學(xué)習(xí)和欠學(xué)習(xí)等問題，具有很好的泛化能力。本文介紹了支持向量機(jī)(SVM)在船用柴油機(jī)缸蓋故障診斷應(yīng)用的基本理論，然后以隨機(jī)激勵(lì)下壓電智能結(jié)構(gòu)的響應(yīng)數(shù)據(jù)作為訓(xùn)練樣本集，仿真結(jié)果驗(yàn)證了這種方法的有效性。 本文在學(xué)習(xí)探討SVM算法的同時(shí)，結(jié)合SVM在船用柴油機(jī)缸蓋故障診斷中的應(yīng)用研究進(jìn)行了論述。 第一章主要介紹SVM基礎(chǔ)理論和原理。支持向量機(jī)(簡稱SVM)已經(jīng)成為樣本學(xué)習(xí)的最普遍的方法之

4、一，并且在科學(xué)和工程技術(shù)上有許多潛在的應(yīng)用。支持向量機(jī)是一種新型的基于破壞性風(fēng)險(xiǎn)最小化理論基礎(chǔ)上的機(jī)器學(xué)習(xí)手段，即使在樣本很少時(shí)也顯示出很好的泛化能力。在有限樣本的機(jī)器學(xué)習(xí)中顯示出優(yōu)異的性能。作為結(jié)構(gòu)風(fēng)險(xiǎn)最小化歸納準(zhǔn)則的具體實(shí)現(xiàn)，支持向量機(jī)具有全局最優(yōu)性和較好的泛化能力。支持向量機(jī)已經(jīng)發(fā)展成為在噪聲、復(fù)雜控制領(lǐng)域進(jìn)行分類，有效回歸的有力工具。支持向量機(jī)的兩個(gè)主要特征是泛化理論和核函數(shù)，泛化理論提供了選擇假設(shè)的原理和方法，而核函數(shù)則能夠在

5、不明確要求非線性算法的情況下在假設(shè)空間中引入非線性。 目前SVM是模式識(shí)別領(lǐng)域中最先進(jìn)的機(jī)器學(xué)習(xí)算法，它已初步體現(xiàn)出很多優(yōu)于已有方法的性能。由于采用了結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則代替經(jīng)驗(yàn)最小化原則，支持向量機(jī)能夠較好地解決小樣本學(xué)習(xí)的問題。又由于采用了核函數(shù)的思想，使它能夠把非線性空間的問題轉(zhuǎn)換到線性空間，降低了算法的復(fù)雜性。 第二章介紹了船用柴油機(jī)通過噪聲和振動(dòng)信號(hào)對(duì)故障進(jìn)行檢測(cè)。因?yàn)椴裼蜋C(jī)工作循環(huán)的周期性和多變性，柴油機(jī)的振動(dòng)

6、和噪聲是很復(fù)雜的。因此，通過這些信號(hào)來檢測(cè)機(jī)械故障是困難的。 研究表明，許多情況下檢測(cè)超過20000HZ或更高一點(diǎn)的系統(tǒng)，檢測(cè)本征頻率是有效的檢測(cè)方法。同時(shí)也表明，對(duì)于振動(dòng)信號(hào)的檢測(cè)優(yōu)于對(duì)聲音信號(hào)的檢測(cè)。 這兩種相對(duì)高頻的信號(hào)，正常運(yùn)轉(zhuǎn)時(shí)不明顯，而在故障時(shí)會(huì)增大到一個(gè)很高的程度，遠(yuǎn)高于低頻信號(hào)和較低的系統(tǒng)固有頻率的增加幅度。因此，根據(jù)高頻信號(hào)去檢測(cè)故障會(huì)更容易些。柴油機(jī)機(jī)械部件需要新的或改進(jìn)的監(jiān)控方法。本章主要討論了一些

7、應(yīng)用噪聲和振動(dòng)信號(hào)對(duì)柴油機(jī)進(jìn)行故障檢測(cè)的方法。 第三章闡述了船用柴油機(jī)主機(jī)缸蓋的故障診斷研究。在產(chǎn)品制造和使用過程中對(duì)質(zhì)量要求的提高激發(fā)了制造商和用戶對(duì)故障檢測(cè)和診斷方面研究的發(fā)展。大多數(shù)生產(chǎn)制造和使用過程涉及許多相關(guān)變量。當(dāng)其中有一個(gè)變量偏離它的既定范圍時(shí)，故障就會(huì)發(fā)生。迅速而有效的診斷系統(tǒng)有助于避免出現(xiàn)質(zhì)量問題和進(jìn)行預(yù)防性維護(hù)修理。 故障診斷系統(tǒng)有兩個(gè)任務(wù)，故障檢測(cè)和故障診斷。前者的目的是為了確定系統(tǒng)中發(fā)生的故障。將

8、系統(tǒng)所有有用的信息收集處理并判別與正常工作時(shí)的不同。例如，溫度，壓力，波動(dòng)率，流量，噪聲等信息。后者被用于確定故障種類和故障源。回轉(zhuǎn)機(jī)械中，故障主要原因在于軸承出現(xiàn)問題。掌握和診斷軸瓦存在的故障是增加運(yùn)行可靠性的一種途徑。 活塞式內(nèi)燃機(jī)中參與燃燒過程的機(jī)械部件故障可以從氣缸示功圖，排氣閥，聲音和振動(dòng)信號(hào)反映出來。 第四章是本文的一個(gè)主要研究內(nèi)容，主要側(cè)重于應(yīng)用SVM對(duì)船用柴油機(jī)缸蓋振動(dòng)信號(hào)特性及典型故障的診斷。船用主柴油

9、機(jī)的振動(dòng)信號(hào)包含了關(guān)于燃燒室部件壽命的有用信息。它常用來控制檢測(cè)機(jī)器前期故障。幾種常發(fā)生的故障可以從四沖程柴油機(jī)文獻(xiàn)記錄的振動(dòng)信號(hào)得出。柴油機(jī)部件工作狀態(tài)可以通過監(jiān)測(cè)氣缸蓋振動(dòng)信號(hào)得出。 通過討論由氣閥沖擊和燃燒壓力引起的氣缸蓋振動(dòng)信號(hào)的特征，提出一些適用于柴油機(jī)振動(dòng)控制和故障診斷的準(zhǔn)則。通過支持向量機(jī)方法，建立信號(hào)模型和等價(jià)冗余模型，通過測(cè)量和分析檢測(cè)出導(dǎo)致產(chǎn)生冗余誤差的故障。 研究結(jié)果表明，SVM成功地被應(yīng)用于許多研

10、究方向，例如模式識(shí)別，多元回歸非線性模型匹配等。結(jié)果表明，不但從理論角度看該技術(shù)令人滿意，而且在實(shí)際應(yīng)用中有很高的績效。 第五章是結(jié)論與展望。對(duì)本文作了簡要的總結(jié)，并對(duì)SVM的應(yīng)用作了展望。新的對(duì)機(jī)器的檢測(cè)途徑，是以支持向量機(jī)的神經(jīng)網(wǎng)絡(luò)方法為基礎(chǔ)的，現(xiàn)在已經(jīng)開始應(yīng)用。檢測(cè)可以理解為對(duì)部件缺陷的識(shí)別，部件缺陷意味著數(shù)值高于或低于設(shè)定范圍。這種方法的特征是高精度和高速度。當(dāng)神經(jīng)網(wǎng)絡(luò)被建立后，不管環(huán)路的大小，都能迅速的識(shí)別故障。因而這

11、種方法適用于實(shí)時(shí)的缺陷定位。支持向量機(jī)神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)在于它的良好的泛化性。僅僅基于有限數(shù)量的各種故障的典型缺陷樣本，就可以在大范圍內(nèi)識(shí)別有關(guān)部件參數(shù)和承受力的非理想缺陷。在機(jī)器樣本的故障檢測(cè)中，支持向量機(jī)的方法比當(dāng)前應(yīng)用方法的精確性要高。 實(shí)驗(yàn)結(jié)果表明支持向量機(jī)方法比傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)方法和其他方法更有效。在研究中，它對(duì)多類故障的分類有很多優(yōu)勢(shì)：算法簡單；分類容易和效率高。它非常適宜聯(lián)機(jī)監(jiān)控和診斷。SVM提供了一種新的有益的途徑

12、，用于發(fā)展智能診斷。 這種方法能改善故障診斷的穩(wěn)健性和準(zhǔn)確性，而且它還可以應(yīng)用到其他的領(lǐng)域。基于目前的研究，可以得出以下的結(jié)論： 1)SVM是一種非常好的故障診斷的方法，它具有許多有利的特性。首先，它有能力處理非可見樣本并且準(zhǔn)確。其次，它僅僅要求很少量的樣本。再者，在決策過程中，它只需要很少的的計(jì)算量。所有的這些特性使它成為了一種非常有吸引力的故障檢測(cè)方法。 2)SVM的成功之處主要在于它應(yīng)用核函數(shù)將信號(hào)映射到更

13、高維的特征空間，在特征空間中可以檢測(cè)到信號(hào)的附加特征值。有趣的是，只要樣本足夠大，核函數(shù)的選擇并不是決定性的因素。 今后的研究應(yīng)集中在選擇更適宜的傳感器裝置使檢測(cè)最優(yōu)化。打算進(jìn)行基于特征提取的故障檢測(cè)和診斷(FDD)，這樣可以減少計(jì)算的復(fù)雜性，也有利于(FDD)使用實(shí)時(shí)數(shù)據(jù)。還計(jì)劃建立一些完善的模型，這會(huì)有助于將來船舶柴油機(jī)的故障檢測(cè)和診斷。 總之，因?yàn)镾VM完備的理論基礎(chǔ)和出色的學(xué)習(xí)性能，其已經(jīng)成為了機(jī)器學(xué)習(xí)界的研究熱

14、點(diǎn)，并在很多領(lǐng)域都得到了成功的應(yīng)用。但是作為一種新興技術(shù)，SVM在很多應(yīng)用領(lǐng)域的研究都還有待于探索和完善。如核函數(shù)和參數(shù)的選擇缺乏理論指導(dǎo)、訓(xùn)練算法的不完善、不支持增量學(xué)習(xí)等。這些問題的存在，使得SVM在很多領(lǐng)域的應(yīng)用受到了較大的限制。實(shí)驗(yàn)顯示，在短期預(yù)測(cè)中4種核函數(shù)有著基本相同的預(yù)測(cè)能力，而在長期預(yù)測(cè)中，向基函數(shù)核和多項(xiàng)式核表現(xiàn)出了相對(duì)較高的預(yù)測(cè)能力，同線性核和神經(jīng)網(wǎng)絡(luò)核相比，它們的歸一化均方誤差約降低了20％。SVM與向后傳播神經(jīng)網(wǎng)