欢迎来到天天文库
浏览记录
ID:46602297
大小:385.73 KB
页数:5页
时间:2019-11-26
《基于支持向量机和信息融合的整机振动状态监视与诊断》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、2010年簟36鲞第4期V01.36No.4Aug.2010基于支持向量机和信息融合的整机振动状态监视与诊断韩磊1,洪杰1,苗学问2(1.北京航空航天大学能源与动力工程学院,北京100191;2.空军装备研究院总体论证研究所,北京100076)韩磊(1982).男,在读博士研究生,研究方向为旋转机械振动监视与诊断技术、发动机整机振动状态监视与故障诊断。收稿Et期:2009—11—151引言航空发动机振动状态监视主要用于识别发动机结构系统,特别是转子系统的机械状态和故障。通常认为,振动信息所包含的结构系统的机械状态信息最丰富(包含幅值、频率和相位等多种信息)
2、,最能全面地反映结构系统的机械状态;同时,对于高速旋转机械而言,振动问题往往是最常见摘要:将信息融合和支持向量机等智能诊断技术应用干整机振动状态监视与故障诊断领域。采用航空发动机振动信号作为诊断模型的训练样本,使支持向量机能够反映特征向量和故障类型的映射关系.从而成功地诊断了某型发动机的振动故障模式。关键词:航空发动机:振动;故障诊断:支持向量机;信息融合TheMonitoringandDiagnosisofAeroengineVibrationBasedontheSupportVectorMachineandInformationFusionH_ANLe
3、il,HONGJiel,MIAOXue—wen2(1.SchoolofJetPropulsion,BeihangUniversity,Beijing100191;2.AirForceEquipmentAcademy,Beijing100076)Abstract:Theintelligerltdiagnosistechnologysuch珊informationfusionandsupponvectormachineWritsappliedinthe∞roenginevibrationmonitoringand血血diagnosis.Takingthevib
4、rationsignal∞thetrainingsamplesofthediagnosismodel,themappingrelationshipbetweenthecharacteristicvectorandfaulttypeconberelatedbythesupportvectormachine.Thevibrationfaultmodeofancleroenginewoasuccessfullydiagnosed.Keywords:areoengine;vibration;faultdiagnosis;supportvectormachine;j
5、nformationfusion的问题之一。由于航空发动机结构和工作过程的复杂性,仅仅用数学模型来描述工作中发生的故障,往往会遇到大量的非线性方程,求解十分困难。另外,对于航空发动机来说,反映其正常运行状态的数据比较容易获取,而故障特征信息的发现相对比较困难。常规的智能诊断方法大都依赖于大样本情况下的统计特性,当训练样本有限时,难以保证有较好的分类推广性。基于统计学韩磊等:基孑支赫向量觚和信息嗣畲硇整朝捧动状态强魂与诠断习理论的支持向量机(Suppor【vectormachines,SVM1是在结构风险最小化原则的基础上发展起来的1种机器学习方法,专门针对
6、有限样本,得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优解,适用于小样本情况的故障诊断领域。JunFengGao等flJ将SVM用于往复式泵故障诊断;肖健华对应用于故障诊断的SVM进行了理论研究口I,并在齿轮故障诊断中进行了应用研究例;马笑潇对SVM在智能故障诊断中的应用[41进行了详细的探讨。这砦针对不同故障对象的诊断研究表明:SVM应用于故障诊断时,其性能优于许多现有方法。综上所述,支持向量机等智能方法将应用于整机振动状态监视和故障诊断领域。2支持向量机原理支持向量机是由Vapnik在20世纪90年代中期提出的1种机器学习算法15一。支持向量
7、机以其良好的理论背景和结构风险最小化原则为机器学习提供了崭新的方向。支持向量机最初用于解决模式识别问题,为了发现具有推广能力的决策规则,所选择的训练数据的一些子集称为支持向量。最佳的支持向量分离等效于所有数据的分离。支持向量机是从线性可分情况下的最优分类面发展而来的,其基本思想可参阅文献【5】。支持向量机通过固定经验风险,再最小化置信风险,将输入空间映射到高维内积空间中,有效地避免了“维数灾难”;通过解1个线性约束的2次规划问题得到全局最优解,因而不存在局部极小值问题,快速算法保证了收敛速度。用于分类的典型支持向量机结构如图l所示。图1典型的支持向量机结构
8、2.1支持向量机的分类算法对于给定的样本集D=[(xsyi)li=
此文档下载收益归作者所有