基于LMD和SVM的动力机械故障诊断方法研究-动力工程专业论文.docxVIP

中文摘要 动力机械故障诊断对于人们的人身和财产安全具有重要意义。动力机械故障 诊断的过程一般包括信号采集、信号处理和模式识别三个主要部分。其中，信号 处理和模式识别是故障诊断的关键。本文将最新的时频分析方法局部均值分解 (Local mean decomposition，LMD)和先进的模式识别方法支持向量机(Support Vector Machine，SVM)结合应用于动力机械典型故障的诊断中。LMD方法能够自 适应的将一个复杂的多分量调频调幅信号分解为若干个瞬时频率有物理意义的 乘积函数 (ProductionFunction，PF)之和，其中每一个PF分量由一个包络信号和 一个纯调频信号相乘得到，包络信号就是该PF分量的瞬时幅值，而PF分量的瞬 时频率可以由纯调频信号求出。将所有PF分量的瞬时频率和瞬时幅值相组合，便 可以得到信号的时频分布[1]。相比神经网络SVM没有过学习和欠学习的问题，而 且具有小样本、非线性、高维模式识别的特点。本文利用SVM对航空发动机典 型故障进行诊断，结果表明SVM是一种有效的故障诊断方法。利用LMD和SVM 相结合对柴油机气门故障进行诊断，结果表明将LMD方法和SVM相结合应用于 故障诊断中是一种行之有效的办法。 本文主要开展了以下几个方面的工作： 1. 实验数据的采集：利用 LMS 数据采集系统采集 WP7 柴油机第一缸缸盖 在正常和故