PXI-11154振动采集模块研制及支持向量机在旋转机械故障模式分类中的应用

本书围绕着故障模式识别系统中振动原始数据采集、故障特征提取和故障模式分类三个方面进行了深入研究，本书主要内容以及研究成果如下：

（1）为了准确监测旋转机械运行状态，自主研制了基于PXI总线的振动信号数据采集系统。本书在掌握了核心技术的基础上研制了PXI-11154振动数据采集模块。书中对PXI-11154中的采样模块、时基模块、触发模块、储存模块和PXI接口模块等进行了详细说明。通过测试相关的性能参数证明了PXI-11154完全达到了设计指标。同时，还详细介绍了与PXI-11154配套的动态信号分析应用软件RunView，该软件能对PXI-11154采集的信号进行保存及分析处理。

（2）对原始振动信号的特征提取是故障模式识别中的核心环节。特征提取一直以来是故障模式识别过程中的难点问题。提取振动故障的特征主要从时域、频域和联合时频方面进行研究。根据振动信号的特征，仅仅从时域分析不可能对其特征规律进行全面掌握，并且传统分析中所采用的时域参数并不完全适合分析旋转机械的振动信号。在时域分析方面，通过对比研究分析，引入振动烈度作为本书中唯一的时域指标参数。在传统的频域分析中常常采用Fourier变换，但是旋转机械在高速旋转时产生的是非平稳信号，而Fourier变换只能分析处理平稳信号，同时它还有一些难以克服的弱点。因此具有局部细化处理优势的小波分析能够在处理非平稳振动信号方面发挥作用，然而小波分析容易忽略振动信号中微弱成分。为此本书引入小波能量时谱和小波能量谱最大分解层系数功率谱，通过在小波变换基础上进行能量谱和功率谱分析能够准确捕捉到信号的局部微弱瞬态突变。本书将振动烈度、小波能量谱和小波能量谱最大分解层系数功率谱相互结合，形成了VWC振动信号特征提取方法，经过实验数据的验证，证明了该方法的有效性。

（3）传统故障模式分类主要采用人工神经网络，但是人工神经网络在针对旋转机械这类高速旋转机械时有一些明显的不足之处，如人工神经网络不适用于小样本数据集，同时它还存在过学习、高维问题以及局部极值问题。本书将建立在统计学习理论基础上的支持向量机SVM应用于旋转机械故障模式分类中。由于旋转机械特殊性和重要性，在实际应用中的训练样本都是小样本数据。针对小样本的训练分类机，SVM具有绝对优势。本书详细讨论了SVM模型和相关算法，同时为了提高故障识别率，书中将MSFLA寻优算法和SVM相结合，提出了MSFLA-SVM故障模式分类算法，并且以实验所获得的真实故障数据为样本，比较了MSFLA-SVM与其他算法的识别结果。(www.xing528.com)

（4）为了验证上述数据采集、特征提取和模式分类算法，搭建了立式轴流泵故障模拟实验平台。该平台能够真实模拟多种旋转机械典型故障，产生不同故障的信号特征量。实验平台为验证本书重点研究的故障模式识别中三个主要核心部分提供了有效保障。同时，也为研究更多的旋转机械故障奠定了基础。虽然故障模拟实验平台以立式轴流泵为研究对象，然而对于具有共同机械特性的大型高速旋转机械也有一定参考价值，如汽轮机、风机以及压缩机等。

本书的研究工作主要是围绕旋转机械故障模式识别系统中数据采集、特征提取和故障模式分类展开。由于故障模式识别涉及知识相当广泛，同时新的研究方法也不断涌现。在今后的研究中，我们希望将这些新方法与旋转机械故障模式识别紧密结合，使故障模式识别技术不断提高，为机械设备安全运行提供保障。