基于WPT-DDT-SVM的混凝土泵车液压泵故障诊断研究

论文摘要

液压泵在现代工程机械等众多机械设备中被广泛使用,统计表明,在所有工程机械设备的故障中,液压泵的故障比重约占30-40%。实时在线监测液压泵运行状态、早期预测预警液压泵故障,对于减少液压泵的损坏率、降低工程机械作业现场停工期具有十分重要的意义。本论文以此为背景,提出一套系统的从信号降噪到故障分类的混凝土泵车液压泵故障诊断方法,重点研究故障状态分类改进算法。针对小波包分析存在的混频问题,并结合故障信号信号弱、非平稳、存在突变信号等特点,本文采用频带调整的小波包单子带重构技术进行特征分析。实验证明该方法能有效消除混频现象。针对特征向量中包含有的不相关和冗余信息,并结合在线故障诊断系统高实时性要求,采用距离区分技术对特征信息进行筛选。实验证明该方法能有效减低计算复杂度,提高分类精度。重点针对已有在线故障诊断方法在大数据量、强噪声下分类速度较低、分类精度不理想等问题,并结合液压泵故障类别数大、工作环境恶劣的特点,提出一种适应于混凝土泵车液压泵在线诊断的状态识别算法——容错度自适应支持向量机。该方法主要从四个方面对分类速度做了改进：（1）引入容错度因子进行模型训练；（2）优先选择能将某一类单独分离出来的二分类器；（3）在满足（2）的基础上选择平均支持向量机少的分类器；（4）引入增量学习算法对参数进行自适应调整,提高多故障诊断中对新故障类别和新故障数据的适应性,保证系统的分类精度。实验证明该方法在明显提高分类速度的同时保证了较高的分类精度。

论文目录

• 摘要
• Abstract
• 目录
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 课题来源
• 1.2 研究背景及意义
• 1.3 研究现状
• 1.3.1 故障诊断技术研究现状
• 1.3.2 小波分析和支持向量机研究现状
• 1.4 课题研究内容
• 1.5 论文结构
• 第2章 基于WPT的特征信号分析
• 2.1 小波理论
• 2.2 频带调整的单子带小波包重构算法
• 2.3 小波变换的时频特性
• 2.4 小波用于特征分析
• 2.4.1 振动信号去噪
• 2.4.2 振动信号特征提取
• 2.5 仿真研究
• 2.5.1 时、频和小波域分析
• 2.5.2 小波去噪
• 2.5.3 小波包特征提取
• 2.6 本章小结
• 第3章 基于DDT的特征向量筛选
• 3.1 距离区分技术
• 3.2 仿真研究
• 3.3 本章小结
• 第4章 FTASVM算法和故障状态识别
• 4.1
• 4.1.1 统计学理论
• 4.1.2 VC维与推广性界
• 4.1.3 风险最小化原则
• 4.2 标准SVM模型
• 4.2.1 最优分类面
• 4.2.2 广义最优分类面
• 4.2.3 KKT条件
• 4.3 传统多分类方法
• 4.3.1 一对多分类算法
• 4.3.2 一对一多分类算法
• 4.3.3 决策有向无环多分类算法
• 4.3.4 二叉树多分类算法
• 4.3.5 自适应二叉树分类算法
• 4.4 改进的FTASVM多分类算法
• 4.4.1 预测速度
• 4.4.2 自适应性
• 4.5 实验分析
• 4.5.1 容错度因子对FTASVM的影响
• 4.5.2 增量学习算法对分类精度的影响
• 4.6 本章小结
• 第5章 WPT-DDT-SVM用于混凝土泵车液压泵故障诊断
• 5.1 实验对象
• 5.2 整体设计
• 5.3 开发工具简介
• 5.4 对比实验与分析
• 5.5 本章小结
• 结论与展望
• 参考文献
• 致谢
• 附录A 攻读学位期间主要研究成果