基于时频图像的集成分类故障诊断理论和方法研究

针对故障诊断中时频分布图像的故障特征难于提取，时频图像往往是凭人工判读；而目前使用比较广泛的神经网络和支持向量机又由于训练样本的限制，系统往往会存在过学习现象，泛化能力不够强等问题，利用时频图像、支持向量机和集成学习的各自优越性，发展一种实用、新颖、有效的机械设备故障诊断方法。该方法将避开对时频图像的特征提取环节，直接利用时频图像诊断故障，采用支持向量机和神经网络对时频图像进行分类识别，并在分类过程中采用集成学习的方法，提高其泛化能力，在最终决策阶段采用集成学习方法对两类分类结果进行信息融合，进一步提高诊断的容错性和诊断准确率。重点解决现有故障诊断系统识别能力弱，故障特征提取难，对人依赖性强等问题。本项目的研究将采用理论研究、数值分析与实验验证相结合的方法。本项目的研究内容均是在课题组长期研究所积累的经验和基础上提出的，所涉及的方法已在国内外不同领域展示了诱人的应用前景。