基于奇异值分解和支持向量机的转子故障诊断❋

2014-07-20张梅军

机械工程与自动化 2014年4期

柴凯，张梅军，黄杰，陈灏

（解放军理工大学野战工程学院，江苏南京 210007）

0 引言

随着科技的飞速发展，现代机械对旋转机构的效率、性能、转速和安全可靠性等多个方面提出越来越高的要求。当转子发生不对中、碰摩和油膜涡动、质量不平衡等故障时，往往会导致整个机器的故障，轻则机器停止运转，造成经济损失，重则对人民生命安全造成严重威胁［1］。目前针对转子故障诊断的研究方法分三类：基于知识的方法、基于解析模型的方法和基于信号处理的方法。人工智能、专家系统、人工神经网络和支持向量机等智能诊断也推动了转子故障诊断技术向自动化、智能化方向发展［2］。奇异值分解（SVD）是线性代数中一种重要的矩阵分解，是矩阵分析中正规矩阵酉对角化的推广，目前在滤波器设计、信号消噪、特征提取和弱信号分离、小波和小波包变换后续处理中得到了有效地应用［3］。而利用支持向量机（SVM）对转子故障进行诊断，不仅能解决传统诊断对操作人员专业知识要求高的问题，而且相比其他智能诊断方法，它在解决小样本、非线性和高维模式识别中具有独到的优势［4］。本文通过小波分解获得不同故障下的分支信号，利用奇异值分解得到转子的故障特征值，研究支持向量机在不同核函数和参数时对转子不平衡、不对中、碰摩和油膜涡动等故障进行有效识别的方法。