原文传递
基于小波变换与SVM的钻杆故障诊断
| 论文题名： | 基于小波变换与SVM的钻杆故障诊断 |
| 关键词： | 跨海大桥;钻机钻杆;故障诊断;小波变换;支持向量机 |
| 摘要： | 本文针对某公司所提出的跨海大桥钻机钻杆破坏与钻杆间螺栓松动的问题进行针对性研究，通过搭建缩比的模拟钻机进行实际工况的模拟，提出基于小波变换的钻杆故障特征提取方法提取钻杆故障特征并构建故障特征向量，通过所构建的特征向量进行SVM模型的训练，采用SVM与小波分形的方法对钻杆的正常、钻杆破坏与螺栓松动三种状态的信号进行分类。得出了如下几点结论: (1)通过对不同状态信号进行分解得到不同状态在各个频带上的能量分布规律，可以看到，当钻杆破坏时或螺栓松动时，其能量分布规律与正常状态有着较大的差别，可用作特征向量对SVM模型进行训练。 (2)对于三种状态五种转速下的信号分别测试50组，共750组，基于所构建的故障特征向量进行SVM模型的训练，并选择适当的测试样本进行SVM模型的测试得到了较高的状态识别率，并且在45r/min时的正常状态，在65r/min时的正常状态、螺栓松动状态均达到了100％的识别率。 (3)通过小波分形对钻杆的状态进行分类，同样可以实现很好的分类效果，且分类效果比所训练的SVM模型更好，但是两种方式对信号考察的角度不同，基于小波包能量分解算法得到的特征向量考察的是同一尺度不同频带上的能量分布规律，小波分形考察的是能量在不同尺度间的分布情况，因此最好的方式是能够将两种方法结合起来进行使用。正常状态下信号计算所得的分形维数的大小主要集中在1.2以下，而螺栓松动信号则大部分集中在1.4以上，钻杆破坏信号的分形维数则集中在二者之间，需要强调的是，通过小波分形的方法得到的各状态的分形维数是在对信号的分解层数比较多的前提下才能实现的，因为如果分解层数较低，那么对应的频带范围会比较宽，分形效果就会比较差。 |
| 作者： | 张少奇 |
| 专业： | 机械工程 |
| 导师： | 王义强 |
| 授予学位： | 硕士 |
| 授予学位单位： | 浙江大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
