详情

原文传递基于支持向量机的船舶主机缸盖故障诊断的研究

论文题名：	基于支持向量机的船舶主机缸盖故障诊断的研究
关键词：	船用柴油机;支持向量机;故障诊断;小波分析;柴油机缸盖
摘要：	机械故障诊断的发展历程中，故障确诊率的提高一直是研究的热点。为了系统地阐述机械故障诊断中的问题，本文中给予了相关的定义及分类。按照机械故障诊断推理过程的环节，详细分析了故障产生的机理和具体的原因。采用小波分析法和时间序列分析法由柴油机缸盖表面振动信号来识别气缸压力，通过对示功图进行分析计算得到了相应的放热规律。本文将柴油机工作循环的模拟计算与前述放热规律的多工况计算相结合，根据柴油机缸盖振动信号来预测其多工况性能。故障诊断本质上是一种模式识别或分类的方法。在理论上和应用上，支持向量机(SVM)都是非常有价值的模式识别方法。由于支持向量机的分解原理是局部最优值恰是全局最优值的一个二次规划，在训练和识别中可以避免陷入局部最优值的泥沼。它基于结构风险最小化原则，可以在算法复杂性(VC维)和训练准确性(结构风险最小化)之间进行最优化平衡，因而有良好的泛化能力。支持向量机(SVM)是一种基于统计学习理论和结构风险最小化原则的新型机器学习方法，克服了传统机器学习方法在训练中的局部极小问题，过学习和欠学习等问题，具有很好的泛化能力。本文介绍了支持向量机(SVM)在船用柴油机缸盖故障诊断应用的基本理论，然后以随机激励下压电智能结构的响应数据作为训练样本集，仿真结果验证了这种方法的有效性。本文在学习探讨SVM算法的同时，结合SVM在船用柴油机缸盖故障诊断中的应用研究进行了论述。第一章主要介绍SVM基础理论和原理。支持向量机(简称SVM)已经成为样本学习的最普遍的方法之一，并且在科学和工程技术上有许多潜在的应用。支持向量机是一种新型的基于破坏性风险最小化理论基础上的机器学习手段，即使在样本很少时也显示出很好的泛化能力。在有限样本的机器学习中显示出优异的性能。作为结构风险最小化归纳准则的具体实现，支持向量机具有全局最优性和较好的泛化能力。支持向量机已经发展成为在噪声、复杂控制领域进行分类，有效回归的有力工具。支持向量机的两个主要特征是泛化理论和核函数，泛化理论提供了选择假设的原理和方法，而核函数则能够在不明确要求非线性算法的情况下在假设空间中引入非线性。目前SVM是模式识别领域中最先进的机器学习算法，它已初步体现出很多优于已有方法的性能。由于采用了结构风险最小化原则代替经验最小化原则，支持向量机能够较好地解决小样本学习的问题。又由于采用了核函数的思想，使它能够把非线性空间的问题转换到线性空间，降低了算法的复杂性。第二章介绍了船用柴油机通过噪声和振动信号对故障进行检测。因为柴油机工作循环的周期性和多变性，柴油机的振动和噪声是很复杂的。因此，通过这些信号来检测机械故障是困难的。研究表明，许多情况下检测超过20000HZ或更高一点的系统，检测本征频率是有效的检测方法。同时也表明，对于振动信号的检测优于对声音信号的检测。这两种相对高频的信号，正常运转时不明显，而在故障时会增大到一个很高的程度，远高于低频信号和较低的系统固有频率的增加幅度。因此，根据高频信号去检测故障会更容易些。柴油机机械部件需要新的或改进的监控方法。本章主要讨论了一些应用噪声和振动信号对柴油机进行故障检测的方法。第三章阐述了船用柴油机主机缸盖的故障诊断研究。在产品制造和使用过程中对质量要求的提高激发了制造商和用户对故障检测和诊断方面研究的发展。大多数生产制造和使用过程涉及许多相关变量。当其中有一个变量偏离它的既定范围时，故障就会发生。迅速而有效的诊断系统有助于避免出现质量问题和进行预防性维护修理。故障诊断系统有两个任务，故障检测和故障诊断。前者的目的是为了确定系统中发生的故障。将系统所有有用的信息收集处理并判别与正常工作时的不同。例如，温度，压力，波动率，流量，噪声等信息。后者被用于确定故障种类和故障源。回转机械中，故障主要原因在于轴承出现问题。掌握和诊断轴瓦存在的故障是增加运行可靠性的一种途径。活塞式内燃机中参与燃烧过程的机械部件故障可以从气缸示功图，排气阀，声音和振动信号反映出来。第四章是本文的一个主要研究内容，主要侧重于应用SVM对船用柴油机缸盖振动信号特性及典型故障的诊断。船用主柴油机的振动信号包含了关于燃烧室部件寿命的有用信息。它常用来控制检测机器前期故障。几种常发生的故障可以从四冲程柴油机文献记录的振动信号得出。柴油机部件工作状态可以通过监测气缸盖振动信号得出。通过讨论由气阀冲击和燃烧压力引起的气缸盖振动信号的特征，提出一些适用于柴油机振动控制和故障诊断的准则。通过支持向量机方法，建立信号模型和等价冗余模型，通过测量和分析检测出导致产生冗余误差的故障。研究结果表明，SVM成功地被应用于许多研究方向，例如模式识别，多元回归非线性模型匹配等。结果表明，不但从理论角度看该技术令人满意，而且在实际应用中有很高的绩效。第五章是结论与展望。对本文作了简要的总结，并对SVM的应用作了展望。新的对机器的检测途径，是以支持向量机的神经网络方法为基础的，现在已经开始应用。检测可以理解为对部件缺陷的识别，部件缺陷意味着数值高于或低于设定范围。这种方法的特征是高精度和高速度。当神经网络被建立后，不管环路的大小，都能迅速的识别故障。因而这种方法适用于实时的缺陷定位。支持向量机神经网络的优势在于它的良好的泛化性。仅仅基于有限数量的各种故障的典型缺陷样本，就可以在大范围内识别有关部件参数和承受力的非理想缺陷。在机器样本的故障检测中，支持向量机的方法比当前应用方法的精确性要高。实验结果表明支持向量机方法比传统的人工神经网络方法和其他方法更有效。在研究中，它对多类故障的分类有很多优势：算法简单；分类容易和效率高。它非常适宜联机监控和诊断。SVM提供了一种新的有益的途径，用于发展智能诊断。这种方法能改善故障诊断的稳健性和准确性，而且它还可以应用到其他的领域。基于目前的研究，可以得出以下的结论： 1)SVM是一种非常好的故障诊断的方法，它具有许多有利的特性。首先，它有能力处理非可见样本并且准确。其次，它仅仅要求很少量的样本。再者，在决策过程中，它只需要很少的的计算量。所有的这些特性使它成为了一种非常有吸引力的故障检测方法。 2)SVM的成功之处主要在于它应用核函数将信号映射到更高维的特征空间，在特征空间中可以检测到信号的附加特征值。有趣的是，只要样本足够大，核函数的选择并不是决定性的因素。今后的研究应集中在选择更适宜的传感器装置使检测最优化。打算进行基于特征提取的故障检测和诊断(FDD)，这样可以减少计算的复杂性，也有利于(FDD)使用实时数据。还计划建立一些完善的模型，这会有助于将来船舶柴油机的故障检测和诊断。总之，因为SVM完备的理论基础和出色的学习性能，其已经成为了机器学习界的研究热点，并在很多领域都得到了成功的应用。但是作为一种新兴技术，SVM在很多应用领域的研究都还有待于探索和完善。如核函数和参数的选择缺乏理论指导、训练算法的不完善、不支持增量学习等。这些问题的存在，使得SVM在很多领域的应用受到了较大的限制。实验显示，在短期预测中4种核函数有着基本相同的预测能力，而在长期预测中，向基函数核和多项式核表现出了相对较高的预测能力，同线性核和神经网络核相比，它们的归一化均方误差约降低了20％。SVM与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明，实现了结构风险最小化原理的SVM具有更好的预测能力，在长期预测中，其归一化均方误差约降低了15％。本文在学习探讨SVM算法的同时，对SVM在船用柴油机缸盖系统故障诊断中的应用进行了论述，运用支持向量机理论对其进行了故障诊断的仿真研究和实验研究，其中包括实验系统数学模型的设计、仿真系统的建立(用Simulink仿真软件建立仿真模型)、特征参数的提取、数据的采集等。
作者：	雷瑾
专业：	轮机工程
导师：	詹玉龙
授予学位：	硕士
授予学位单位：	上海海事大学
学位年度：	2007
正文语种：	中文