简谈基于支持向量机与遗传算法故障方式识别及走势预测策略-

论文导读：
摘要：本论文开展了基于支持向量机（Support Vector Machine—SVM）与遗传算法(Genetic Algorithms—GA)的故障方式识别及走势预测策略探讨，利用支持向量机对滚动轴承典型故障进行了方式识别，同时运用预测模型对齿轮状态走势进行预测，并利用遗传算法分别对支持向量机分类历程和走势预测历程进行了优化浅析，主要工作如下：（1）基于SVM可以解决小样本学习不足这一优点，提出利用SVM对滚动轴承在正常、内圈缺陷、外圈缺陷和滚动体缺陷条件下工作的四种状态信号进行识别分类,为了提升分类识别率，利用遗传算法具有优良空间搜索性能的特点，对分类历程中的两个重要核参数初始值进行优化，提出了基于GA算法的改善SVM识别策略，探讨结果表明：核参数初始值经过GA优化后SVM分类识别率得到了显著提升，能较好地实现轴承典型故障类型的识别。（2）为解决低转速滚动轴承故障特点难以提取的不足，利用小波变换技术具有高低频分离、局部细化和时频域内特点提取等性能优点，提出基于小波变换技术的低转速滚动轴承故障特点提取策略，对低转速轴承正常、外圈缺陷、内圈缺陷和滚动体缺陷等四种状态下的振动信号进行诊断浅析，并结合SVM对轴承典型故障进行了分类识别，由浅析结果可知，利用小波变换与支持向量机技术相结合的策略处理低转速滚动轴承故障不足能够取得很好的效果。（3）为了预测齿轮状态走势进展情况，建立三阶函数方程预测模型对齿轮走势进展进行模拟浅析探讨，利用GA良好的空间搜索性，提出基于GA的预测模型函数优化策略，将获得的新预测模型函数与通过线性拟合原理获得的二阶、三阶函数做了比较浅析探讨。探讨结果显示：经过GA优化后获得的三阶函数方程预测模型能够实现齿轮故障走势进展预测模拟。关键词：支持向量机（SVM）论文遗传算法(GA)论文方式识别论文走势预测论文小波变换论文滚动轴承论文齿轮论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要5-7
ABSTRACT7-14
第一章 绪论14-22

1.1 课题的作用14-16

1.2 故障诊断进展及其走势16-17

1.3 滚动轴承故障类型及特点17-18

1.4 滚动轴承故障诊断技术18-20

1.5 课题来源及主要探讨内容20-22

第二章 支持向量机原理介绍及其运用22-43

2.1 支持向量机基本论述22-25

2.2 支持向量机运用25-28

2.3 基于 SVM 技术的滚动轴承故障识别28-42

2.3.1 实验装置28-30

2.3.2 数据处理30-38

2.3.3 实验结果38-42

2.4 本章小结42-43

第三章 基于遗传算法的 SVM 优化改善43-52

3.1 遗传算法原理介绍43-45

3.2 遗传算法运用介绍45

3.3 基于 GA 的 SVM 分类参数优化45-51

3.1 遗传算法优化性能实验结果47-51

3.2 浅析讨论51

3.4 本章小结51-52

第四章 基于小波变换的低转速滚动轴承故障诊断52-69

4.1 小波变换技术介绍52-53

4.2 小波变换在低转速滚动轴承故障诊断中的运用53-60

4.

2.1 实验装置53-54

4.

2.2 实验结果54-60

4.3 采取 SVM 识别低转速信号60-68
4.

3.1 采取 7 个特点参数进行分类60-63

4.

3.2 选用高敏感性特点参数进行分类识别63-68

4.4 本章小结68-69
第五章 齿轮故障走势进展预测69-88

5.1 齿轮走势进展探讨概述69-70

5.2 实验结构装置70-71

5.3 齿轮故障走势进展预测浅析策略71-74

5.4 实验结果74-87

5.

4.1 特点参数选择74-79

5.

4.2 峭度作为特点参数进行预测79-87

5.5 本章小结87-88
第六章 总结和展望88-90

6.1 总结88

6.2 不足与展望88-90

参考文献90-94
致谢94-95
探讨成果及发表的学术论文95-96
作者和导师介绍96-97
附录97-98