邢树生_外文文献翻译.docVIP

华 北 电 力 大 学 科 技 学 院 毕 业 设 计（论 文）附 件 外 文 文 献 翻 译 学 号： 101904010220 姓 名： 邢树生 所在院系： 机械工程系 专业班级： 机械10K3班 指导教师： 刘尚坤 原文标题： Research On SVM Classification Performance In Rolling Bearing Diagnosis 2014 年 4 月25日基于支持向量机的滚动轴承故障诊断 一、引言 旋转机械在机械装置中起着重要的作用，广泛应用于许多工程领域，如发电机，涡轮机，速度调制液力耦合器等。而滚动轴承广泛用于各种旋转机械。据统计，30%旋转机械设备的故障是由轴承故障引起的。因此，滚动轴承的故障检测和故障诊断成为先进的机械领域中一个研究热点。由于传统的信号处理方法难以从光谱中提取有用的信号特征，因此在故障模式中发展一种识别技术是故障诊断研究的一个重要问题。 支持向量机是在统计学理论（SLT）基础上建立的一种新的机器学习方法。据文献记载，支持向量机已经成功地应用于许多领域，如模式识别，回归分析，函数逼近等。小样本，非线性及高维模式识别也成功的解决了。该结果给出的证据表明，该技术不仅从理论角度来看相当满足，在实际应用中也能达到高的表现。 在滚动轴承诊断等方面还存在着很多困难，例如，样本的缺乏，泛化能力差，难以抽取信息等。为了解决这些问题，在样本有限的情况下，将两类支持向量机和多类支持向量机应用于滚动轴承的故障诊断中。先提取特征向量，然后将特征向量输入两类和多类支持向量机故障分析器。实现故障模式的识别。有些支持向量机的应用程序的问题也进行了讨论。 二、两类分类支持向量机在滚动轴承故障诊断中的应用 支持向量机应用于轴承故障诊断，来解决在不同的故障模式识别中遇到的问题。基本的支持向量机提出了两类的分类，还可以扩展到多类分类。为了简化问题，我们选择了非故障轴承和外圈故障轴承作为例子来说明两类分类，这一诊断思想还可以扩展到多 障模式识别。 小波包和支持向量机在滚动轴承故障诊断中的应用 滚动轴承在每个频段的能量分布不同，分布格局在每个模型中也不同。我们可以分解信号作为在不同频带的小波投影，包括降噪、分解。选择在不同频段获得的能源作为故障特征向量，然后传送到支持向量机分类器作为输入向量。 振动信号是使用6310向心球轴承的实验装置在滚动轴承故障诊断实验时进行采集与处理的。在实验中应用适度的径向负荷，滚动轴承的工作转速为1350rpm，径向振动信号由加速度传感器测量获得，信号通过一个4khz的切断频率抗锯齿过滤器获取。信号采样频率10.24khz和1024的数据每次都被抓获。40正常轴承和40外环故障轴承就被选出来了。 首先，在双态捕获的振动信号由4层小波包去噪，由3层小波包进行分解和重构。将整个频带分割成8个，在每一个短波段计算能量。我们在正常状态和外圈故障状态下计算80组八维小波包能量的特征向量。然后将这80组数据作为输入向量发送到SVM分类器。 在正常和故障的两组数据中，我们随机选择一些数据作为训练样本，其它作为对比测试数据。训练样本在小部分选取，是由于在工程实践中很难获得足够的故障样本。选取40个正常和40个外圈故障的轴承作为测试样本，选取一个大概的小样本，约为测试样本的10%、15%、20%、25%、或30%。 为了调查支持向量机的两类分类器在不同样品数量，不同类型的核函数和在选择了相同函数，参数不同的情况下的性能和诊断的准确性。在基于多项式核函数的支持向量机的故障诊断处理，多项式核函数的顺序是由1到5按顺序变化，RBF的宽度也是由1变到5。每一个SVM分类器的部分诊断结果，如表1所示；当训练样品数量不同时，多项式核函数的顺序是由1到3，RBF的宽度是由1改变到4。在表1中，Linear意味着线性函数的选择，Poly表示多项式核函数的选择，Rbf显示RBF的选取。括号中的值是每个SVM的参数的给定的价值，如Poly（1）表示目标多项式核函数的价值量为1，Rbf（1）表示RBF的宽度是1，等。The training samples (训练样本)为4表示包括非轴承故障训练样本和外圈故障轴承样本是第4号样本等等。每一个SVM分类器的部分训练时间结果如表2所示，在和表1相同的条件下，部分分类间隔的结果如表3所示。 我们可以从实验中得出结论： 1）当我们使用小波包能量特征向量作为SVM分类器的输入向量，联系表1，分类是准确的。此外，对于不同核函数或者不同参数的相同的支持向量机，即使我们只使用有限的样本，识别率也能达到100%。 2）联系表2，在相同的支持向量机使