非平穩(wěn)信號(hào)特征提取及基于SVM的設(shè)備性能評(píng)價(jià)方法研究.pdf

1、隨著時(shí)代發(fā)展，工業(yè)生產(chǎn)正逐漸向系統(tǒng)化、協(xié)同化方向發(fā)展，生產(chǎn)設(shè)備之間的聯(lián)系日趨緊密，生產(chǎn)系統(tǒng)日趨復(fù)雜。其中，有些設(shè)備在整個(gè)系統(tǒng)中作用重大，有些設(shè)備則十分昂貴。如果這些關(guān)鍵設(shè)備的性能發(fā)生劣化，可能會(huì)導(dǎo)致系統(tǒng)癱瘓或者嚴(yán)重的經(jīng)濟(jì)損失。鑒于此，及時(shí)準(zhǔn)確的性能評(píng)價(jià)是非常必要的。
　　本文主要研究了設(shè)備非平穩(wěn)信號(hào)特征提取和特征選擇，及基于支持向量機(jī)的設(shè)備性能評(píng)價(jià)方法。
　　在特征提取方面，本文分別采用了連續(xù)小波變換、離散小波重構(gòu)、小波包分

2、解求頻帶能量等多種方法，經(jīng)過(guò)對(duì)結(jié)果的深入分析和比對(duì)，最終選定了小波包分解求頻帶能量為最優(yōu)方法。
　　值得一提的是，本文在研究中發(fā)現(xiàn)了信號(hào)不同頻段變化趨勢(shì)的相似性，將成組技術(shù)思想引入信號(hào)分析領(lǐng)域，并對(duì)成組理論進(jìn)行了深入分析，提出了成組技術(shù)以廣義夾角余弦為度量的非線性矢量空間理論框架，并設(shè)計(jì)和實(shí)現(xiàn)了一種新的成組算法，收到了良好的應(yīng)用效果。
　　在特征選擇方面，本文提出了未知信號(hào)的兩指標(biāo)聯(lián)合選擇方法，對(duì)模型的預(yù)期性質(zhì)進(jìn)行了深入探討

3、，并最終構(gòu)建了一個(gè)滿足該性質(zhì)的數(shù)學(xué)模型。實(shí)際驗(yàn)證結(jié)果表明，本模型的選擇能力完全達(dá)到了預(yù)期目標(biāo)。除此之外，該模型對(duì)于類似的選擇模式可推廣到多指標(biāo)選擇領(lǐng)域，具有一定的普適性。為了特征融合算法的研究更加直觀簡(jiǎn)便，本文還采用了主成份分析對(duì)信息做了進(jìn)一步的壓縮，將特征向量降維到可視空間內(nèi)。
　　在特征融合方面，本文對(duì)支持向量機(jī)的基本原理做了精煉系統(tǒng)的闡述，并對(duì)各種類型支持向量機(jī)算法做了大量的仿真實(shí)驗(yàn)，積累了豐富的實(shí)際經(jīng)驗(yàn)。經(jīng)過(guò)分析比對(duì)，最終

4、選定兩種特征融合方法：“一對(duì)多”分類器算法和支持向量回歸機(jī)算法。其中，“一對(duì)多”分類器算法用于設(shè)備的階段性能評(píng)價(jià)，支持向量回歸機(jī)用于設(shè)備的連續(xù)性能評(píng)價(jià)。實(shí)驗(yàn)最終結(jié)果顯示，該兩種融合結(jié)果在泛化能力和分析精度上都非常優(yōu)秀。
　　最后，本文采用LabVIEW軟件建立了一套完整的設(shè)備性能評(píng)價(jià)實(shí)驗(yàn)系統(tǒng)。其中，實(shí)驗(yàn)對(duì)象是一臺(tái)搬運(yùn)機(jī)械手，經(jīng)過(guò)可行性分析及對(duì)實(shí)際硬軟件條件考慮，確定監(jiān)測(cè)氣路密封性和傳動(dòng)系統(tǒng)靈活性兩個(gè)方面的性能。經(jīng)過(guò)對(duì)歷史數(shù)據(jù)的分析