学位论文 > 优秀研究生学位论文题录展示

基于PCA和SVM的汽车涂装线机电设备智能诊断

作　者: 刘志浩
导　师: 叶永伟
学　校: 浙江工业大学
专　业: 机械设计及理论
关键词: PCA SVM 特征提取核参数优化监控与智能诊断系统
分类号: TH165.3
类　型: 硕士论文
年　份: 2012年
下　载: 39次
引　用: 0次
阅　读: 论文下载

内容摘要

随着新的汽车涂装生产技术、生产工艺以及大型复杂设备的不断涌现和迅速发展,为了保证生产和设备高效、可靠的运行,因此对汽车涂装系统各机电设备运行状态的准确诊断提出了更高的要求。由于智能理论的发展,设备状态判别进入了智能化发展阶段。本文详细研究了主成分分析法和支持向量机在涂装线设备诊断中的应用,并结合虚拟仪器进行了涂装线设备监控与智能诊断系统的设计。论文主要内容如下:1.根据汽车涂装线生产工艺,对各子系统主要设备的故障机理进行了分析研究,指出了设备经常发生的故障类型和征兆,在各系统内建立了数据采集系统。2.研究了故障征兆提取技术。在实际环境下,众多传感器采集到的信号,一方面,并不是所有变量都反映设备状态的重要信息,有些会干扰诊断;另一方面,设备信号特征的输出有一定相关性。因此,论文讨论了主成分分析方法和改进的主成分分析法的应用。通过烘房燃烧加热系统设备的实例对比分析,验证了此方法的优势。3.较深入研究了核函数类型及核参数对分类器精度的影响。通过双螺旋数据样本仿真试验,分别分析了高斯核和多项式核对分类精度的影响,以及高斯核宽度系数和惩罚参数对分类精度的影响,表明高斯核参数和惩罚参数在某个范围时,分类器精度最好。4.提出了一种基于主成分分析和支持向量机的设备状态分类识别方法。结合主成分分析法的特征提取和向量机的识别优势,采用网格搜索交叉验证法寻求最优核参数,来建立向量机训练模型。通过烘房燃烧加热系统4种设备的12种状态进行了验证。分别分析了主成分分析法改进前后的分类精度,识别率都基本达到85%以上。5.结合虚拟仪器进行了涂装线设备监控智能诊断系统的设计,对数据采集、时域和频域分析、特征提取和智能诊断等模块进行了介绍。6.最后,对全文进行了总结,并对进一步的研究提出一些展望。

全文目录

摘要  4-5
ABSTRACT  5-10
第1章绪论  10-22
  1.1 本课题研究的背景和意义  10
  1.2 国内外研究现状  10-14
    1.2.1 故障机理的研究现状  11
    1.2.2 信号处理技术研究现状  11-12
    1.2.3 智能诊断技术研究现状  12-14
  1.3 主成分分析法在涂装线设备故障诊断中的应用  14-16
    1.3.1 主成分分析法理论研究现状  14-15
    1.3.2 主成分分析法在涂装线设备故障诊断中的应用  15-16
  1.4 支持向量机在涂装线设备故障诊断中的应用  16-18
    1.4.1 支持向量机理论研究现状  16-17
    1.4.2 支持向量机在涂装线设备故障诊断中的应用  17-18
  1.5 论文研究内容及创新点  18-22
    1.5.1 论文研究内容  18-20
    1.5.2 论文创新点  20-22
第2章汽车涂装线各系统主要设备故障及特征分析  22-38
  2.1 汽车涂装线工艺及关键设备  22-24
  2.2 前处理系统主要设备故障分析  24-28
    2.2.1 水循环系统设备故障分析  24-25
    2.2.2 油水分离器和磷化除渣机设备故障分析  25-26
    2.2.3 磷化液温度控制设备故障分析  26-28
    2.2.4 前处理系统设备数据采集系统  28
  2.3 电泳系统主要设备故障分析  28-33
    2.3.1 漆液温度控制系统设备故障分析  31-32
    2.3.2 极液循环、漆液转移和水洗系统设备故障分析  32
    2.3.3 电泳系统设备数据采集系统  32-33
  2.4 烘房系统主要设备故障分析  33-36
    2.4.1 升温加热系统设备故障分析  33-34
    2.4.2 热风循环系统设备故障分析  34
    2.4.3 废气处理系统设备故障分析  34-35
    2.4.4 烘房系统设备数据采集系统  35-36
  2.5 本章小结  36-38
第3章基于主成分分析法的故障特征提取  38-54
  3.1 主成分分析法概况  38-40
    3.1.1 主成分分析法的基本思路  38-39
    3.1.2 主成分分析法的几何思想  39-40
  3.2 主成分分析法的数学表述及最优主成分数的确定  40-43
    3.2.1 主成分分析法的数学表述  40-42
    3.2.2 最优主成分数的确定  42-43
  3.3 基于PCA 的涂装线设备信号特征提取  43-47
    3.3.1 PCA 建模  44-46
    3.3.2 基于PCA 的模型改进  46-47
  3.4 实例分析  47-53
    3.4.1 涂装线烘房系统结构  47
    3.4.2 燃烧加热系统设备分析与讨论  47-53
    3.4.3 实例总结  53
  3.5 本章小结  53-54
第4章支持向量机在涂装线设备故障诊断中的应用  54-80
  4.1 支持向量机分类算法  54-58
    4.1.1 线性最优分类超平面  54-57
    4.1.2 非线性最优分类超平面  57-58
  4.2 核参数对分类的影响及惩罚参数C 的优化  58-65
    4.2.1 核函数对分类的影响  59-62
    4.2.2 核参数及惩罚参数C 的优化方法  62-65
  4.3 基于PCA 和SVM 的涂装线设备智能诊断  65-67
    4.3.1 PCA 和SVM 结合的基本思想  65-66
    4.3.2 基于PCA 和SVM 的涂装线设备智能诊断框架  66-67
  4.4 实例分析  67-78
    4.4.1 烘房燃烧加热系统设备状态特征提取  67-68
    4.4.2 多类SVM 分类器的构造  68-70
    4.4.3 PCA-SVM 模型智能诊断系统的训练  70-77
    4.4.4 PCA-SVM 模型智能诊断系统的测试  77-78
    4.4.5 智能诊断结果分析  78
  4.5 本章小结  78-80
第5章涂装线设备智能监测诊断系统设计  80-94
  5.1 系统开发工具的选择  80-81
  5.2 LABVIEW 简介  81-82
  5.3 监测系统的组成和系统软件结构  82-92
    5.3.1 虚拟仪器监测系统的组成  82-83
    5.3.2 系统的硬件总体结构  83-85
    5.3.3 系统的软件功能结构  85-86
    5.3.4 系统的主要软件功能介绍  86-91
    5.3.5 网络通讯设置  91-92
  5.4 本章小结  92-94
第6章结论与展望  94-96
  6.1 结论  94-95
  6.2 展望  95-96
附录  96-104
参考文献  104-108
致谢  108-110
攻读学位期间参加的科研项目和成果  110

基于PCA和SVM的汽车涂装线机电设备智能诊断

内容摘要

全文目录

相似论文