基于量子粒子群优化的Volterra核辨识及故障诊断方法研究

论文摘要

本论文在国家自然科学基金(50775208)资助下,将量子粒子群优化(Quantum Particle Swarm Optimization,简称QPSO)算法引入到非线性系统的Volterra级数模型辨识中,深入研究了基于QPSO的Volterra时域核辨识方法及在旋转机械故障诊断中的应用,取得了比较好的创新性成果。其主要内容包括以下几个方面：第一章,论述了本课题的提出及其研究意义,综述了Volterra级数模型的国内外研究现状及在故障诊断中的应用,提出了本论文的主要内容及创新之处。第二章,介绍了Volterra级数模型的基本理论、Volterra级数时域核(GIRF)和频域核(GFRF)的辨识方法,并给出了基于Volterra级数模型的故障诊断思路。本章内容是整篇论文的理论基础。第三章,针对基于传统的最小均方算法的Volterra时域核(GIRF)辨识方法的不足,将量子粒子群优化引入到非线性系统的Volterra核辨识中,提出了一种基于量子粒子群优化的Volterra时域核辨识方法,并和传统的最小均方(Least Mean Squares,简记为LMS)算法进行了比较,仿真研究表明,在辨识精度、收敛性和抗干扰性方面,提出的方法都优于传统的LMS方法,而且,随着核记忆长度的增加,这种优势会更明显。之后,将提出的方法应用于旋转机械转子系统的故障诊断中,给出了转子裂纹故障和正常状态转子的Volterra时域核,对两者进行了比较分析,实验结果表明,提出的方法是有效的,转子裂纹状态的Volterra时域核很好地反映了此状态下转子系统的非线性特征。第四章,提出了基于Volterra时域核(GIRF)的核主分量分析故障诊断方法。该方法首先利用量子粒子群优化(QPSO)算法辨识出Volterra时域核,然后将其作为原始空间数据进行核主分量分析(KPCA),利用主分量分布和投影图实现识别分类。实验中利用提出的方法对转子系统的正常、转子裂纹、转子碰摩、基座松动四种状态进行识别分类,结果表明,该方法是有效的,在只考虑一阶Volterra核不能很好地识别状态时,可以从二阶、三阶Volterra核上来区分,体现了基于Volterra级数的故障诊断方法特征信息丰富的优势。第五章,论述了支持向量机基本原理和SVM多类分类问题算法,在此基础上,提出了基于Volterra时域核(GIRF)的支持向量机故障识别方法。该方法将利用量子粒子群优化(QPSO)算法辨识出的Volterra时域核作为特征向量输入到支持向量机(SVM)分类器中识别非线性系统的不同状态。实验结果表明,当故障样本较为丰富时,不论是只利用一阶核还是利用前三阶核作为特征向量都取得了理想的分类效果,但是当故障样本较少时,利用前三阶核作为特征向量时的识别结果明显优于只利用一阶核时的情况。这说明Volterra非线性核包含了Volterra线性核所不能反映的故障特征,良好的分类效果展现了提出的方法在小样本的故障诊断中的优越性。第六章,将Volterra时域核(GIRF)和隐Markov模型(HMM)结合,提出了基于Volterra时域核和HMM的故障诊断方法。在提出的方法中,首先利用QPSO算法从已知状态的振动信号中提取出前三阶Volterra时域核,将其作为观测值序列训练出各种状态的HMM,再利用QPSO算法辨识出测试数据的前三阶Volterra时域核,输入到各种状态的HMM中,其中输出概率最大的HMM对应的状态即为设备的当前运行状态。实验中利用旋转机械升速过程中的振动信号,采用提出的方法对转子系统的四种状态进行识别分类,结果验证了该方法的有效性,仅利用一阶Volterra核训练HMM时各个状态迭代得到的对数概率值虽然互不相同,但是差异不大,利用前三阶Volterra核训练HMM时各个状态迭代得到的对数概率值的差异明显大于前种情况,分类效果得到了显著的改善。提出的方法为旋转机械非平稳过程的故障诊断提供了一种有效的解决方案,具有重要的理论意义和实际的应用价值。第七章,对全文的工作进行了总结,并提出了值得进一步研究的问题。

论文目录

• 摘要
• Abstract
• 1 引言
• 1.1 课题的提出及研究意义
• 1.2 基于Volterra级数模型的非线性系统辨识的研究现状
• 1.3 基于Volterra级数模型的故障诊断
• 1.4 本论文的主要内容和创新点
• 1.4.1 本论文的主要内容
• 1.4.2 本论文的创新点
• 1.5 本章小结
• 2 Volterra级数模型基础理论
• 2.1 引言
• 2.2 非线性系统的Volterra级数模型的表示形式
• 2.2.1 Volterra级数时域模型
• 2.2.2 Volterra级数频域模型
• 2.3 非线性系统的Volterra级数模型的辨识
• 2.3.1 Volterra级数时域模型辨识
• 2.3.2 Volterra级数频域模型辨识
• 2.4 基于Volterra级数模型的故障诊断思路
• 2.5 本章小结
• 3 基于量子粒子群优化的Volterra时域核辨识
• 3.1 引言
• 3.2 量子粒子群优化算法的基本理论
• 3.2.1 经典的粒子群优化算法
• 3.2.2 量子粒子群优化算法
• 3.2.3 量子粒子群优化算法与经典粒子群优化算法的比较
• 3.3 基于量子粒子群优化算法的Volterra时域核辨识
• 3.4 仿真研究
• 3.4.1 核记忆长度已知时的Volterra核辨识
• 3.4.2 核记忆长度未知时的Volterra核辨识
• 3.4.3 仿真研究结论
• 3.5 实验研究
• 3.6 本章小结
• 4 基于Volterra时域核的核主分量分析故障诊断方法
• 4.1 引言
• 4.2 核主分量分析方法
• 4.2.1 主分量分析基本思想
• 4.2.2 核主分量分析基本原理
• 4.3 基于Volterra时域核-KPCA的故障诊断基本思路
• 4.4 实验研究
• 4.5 本章小结
• 5 基于Volterra时域核的支持向量机故障识别方法
• 5.1 引言
• 5.2 支持向量机
• 5.2.1 支持向量机基本原理
• 5.2.2 SVM多类分类问题算法
• 5.3 基于Volterra时域核的SVM故障识别方法
• 5.4 实验研究
• 5.5 本章小结
• 6 基于Volterra时域核和隐Markov模型的故障诊断方法
• 6.1 引言
• 6.2 隐Markov模型基本理论
• 6.2.1 Markov链
• 6.2.2 隐Markov模型基本思想及定义
• 6.2.3 HMM的基本算法
• 6.3 基于Volterra时域核和HMM的故障诊断方法
• 6.3.1 基于Volterra时域核和HMM的故障诊断方法的基本步骤
• 6.3.2 实验研究
• 6.4 本章小结
• 7 总结与展望
• 7.1 本文总结
• 7.2 展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文与研究成果