基于小波能熵和支持向量机的故障诊断方法及其应用研究

论文摘要

随着现代化技术的迅速发展,各个工程系统的复杂性不断加大,系统的可靠性及安全性成为保障经济和社会效益的一个关键因素,由此应运而生的故障诊断技术在各领域得到了广泛应用。目前,应用较多的故障诊断方法主要有基于变换的方法,人工智能方法,Porny分析法和基于数学形态学法等几类。根据不同方法的原理及特点,在不同的领域范围,发挥着各自的优点。本文在已有方法的基础上,研究了一种基于改进小波能谱熵的故障诊断新方法。系统地研究了连续小波变换、离散小波变换、多分辨率分析、小波熵等小波的基本理论,结合小波的信噪分离技术、时-频局部化特性,对待测信号进行小波多分辨分解和重构处理,再引入滑动时间窗算法,从时-频域结合分析的角度,选择使用高频带的小波系数进行特征提取,研究了改进小波能谱熵算法,并以此方法计算相应的熵值作为扰动特征量。以支持向量机作为分类器,实现故障识别。以实际生活中常见的电能信号故障诊断为例,进行仿真,并对仿真结果进行分析。仿真结果表明该方法提高了故障诊断正确率,是一种有效的故障诊断方法。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.2 故障的定义、分类及故障诊断定义
• 1.3 现有的故障诊断检测方法
• 1.3.1 傅立叶变换
• 1.3.2 小波变换
• 1.3.3 人工智能
• 1.3.4 数学形态学
• 1.3.5 Prony 分析法
• 1.4 小波变换的发展及其在故障诊断的应用
• 1.5 故障诊断系统的基本结构
• 1.6 本文的主要工作
• 第2章 小波变换的基本原理
• 2.1 引言
• 2.2 连续小波变换
• 2.3 离散小波变换
• 2.4 连续小波变换、离散小波变换的区别
• 2.5 多分辨率分析
• 2.6 本章小结
• 第3章 小波熵及其改进方法
• 3.1 引言
• 3.2 信息熵及谱熵
• 3.2.1 信息熵
• 3.2.2 谱熵
• 3.3 小波熵
• 3.3.1 小波信息熵
• 3.3.2 小波能谱熵
• 3.3.3 小波时间熵
• 3.3.4 小波奇异熵
• 3.3.5 小波时频熵
• 3.3.6 小波平均熵
• 3.3.7 小波距离熵
• 3.4 改进的小波能谱熵
• 3.5 本章小结
• 第4章 支持向量机
• 4.1 支持向量机
• 4.2 支持向量机的理论
• 4.2.1 机器学习的基本理论
• 4.2.2 统计学习理论的内容
• 4.3 支持向量机分类器
• 4.3.1 线性分类器
• 4.3.2 最优分类超平面
• 4.3.3 支持向量机
• 4.3.4 核函数
• 4.4 本章小结
• 第5章 实验仿真
• 5.1 基于改进小波能熵的故障诊断特征提取
• 5.2 基于支持向量机的故障诊断方法
• 5.3 仿真结果
• 5.4 本章小结
• 结论
• 参考文献
• 致谢
• 作者简介