本文是一篇计算机软件论文，本文对捣固车液压系统故障诊断进行了研究，对整个诊断过程，从信号的降噪处理方法，到故障信号特征提取提取方法，再到对分类器进行训练，优化分类器分类性能，最后对故障特征进行故障识别，整个诊断过程进行研究。其中重点研究了信号去噪的方法和对分类器的优化过程，分别对其采用相关的改进办法，并经过实验验证表明本文提出的故障诊断方法有效提升了液压系统故障诊断的精确度。
第一章 绪论
1.1 论文研究背景及意义
1.1.1 论文研究背景
伴随我国经济的繁荣各行各业的不断发展，铁路运输规模日益庞大。随着技术的发展，铁路列车的速度和负载得到了很大的提升。如今铁路列车的运行速度日益加快，而重型货运列车的重量越来越重，这对铁轨的建设和维护的要求也越来越高，为满足日益增长的需求，我国已经使用大量的捣固车等大型道路养护机械对轨道的建设和养护进行了大规模的机械化。
捣固车主要用于轨道维修和轨道捣固，以确保轨到轨偏差和轨道高度偏差在轨道设计标准规定的安全极限之内。 达到维护要求的维护规则确保了火车的安全运行。与手动维护相比，捣固车效率更高，施工效果更好，施工过程更安全。然而，其存在诸如高单价和高能耗的缺点。如果不能及时解决，可能会出现影响火车的安全运行的故障。 因此，怎样避免故障和在发生故障后迅速消除故障是捣固车故障诊断领域重要的课题研究。
科学技术的日益提升将逐步解决设备制造过程中的问题，提高设备的承载能力和操作精度。这需要液压系统性能方面的突破，特别是在发生故障的情况下，可以实时自动化的检测，预警。如今，由于各个行业的发展需求，对性能及功能的要求提高伴随着液压系统的构造组成日益变得复杂，导致其工作强度大大提高了。在重负载下长期运行后，故障率会增加。随着工艺技术的发展，在现代工程机械设备故障中液压系统的故障率不容忽视。机械液压系统发生故障，不仅会拖延建设进度，而且可能会导致经济上造成损失。还可能威胁施工人员的生命安全。
.............................
1.2 国内外研究现状
1.2.1 信号降噪与特征提取技术的研究现状
一般对应用研究对象的故障诊断识别分为几个过程，开始阶段对研究对象的故障信息进行采集，将采集到的信息进行相应的处理，选取能充分反映故障特征的信号；第二部分，运用相应的识别技术，构建分类器模型，对故障信号进行分类识别。本节只讨论第一个问题。对于第一个问题，如何采取故障信息，采取怎样的故障信息，通常采用的主要方法有以下几种：油液分析方法、温度分析方法、声发射分析方法和振动信号分析方法等。温度分析方法与油液分析方法，前者常常由于温度变化不明显，并不能较好的反应故障信号特征，而后者由于操作较为复杂且较为耗费时间，因此这两种方法并不适合液压系统的故障特征提取。声发射分析方法和振动信号分析方法，前者常用于金属部件的内部检测，判断是否出现缝隙和断裂，后者是利用加速度传感器，对相应的部件进行信号的收集。相较于其他的分析方法，振动分析方法具有较高的可靠性，同时采集效率高，且采集较为便捷。本文是利用振动信号进行分析和研究，根据信号特征，进行故障诊断。
通常由传感器采集的信号，因为其他一些因素的影响，信号中含有噪声，使信号不能充分完整的展现故障特征，给相应的诊断识别带来一定的困难，往往导致故障信号不能进行有效的识别，因此，有必要采取相应的信号处理技术，对于信号进行过滤去除噪声保留有用的信号。
一些基于时频分析的方法被提出并应用于相关领域，取得了不错的效果。如小波分析技术，小波包分析以及经验模态分解（EMD）等方法，对信号进行处理，取得有效的信号降噪效果。Ukr A[1]采用经验模态分解法对音频信号进行降噪；Kumae Y[2]采用近似熵和样本熵提取脑电信号的特征，验证该方法对脑电信号区分的有效性[3]。张洪利用小波包的技术同时结合 EMD 的方法对信号进行降噪处理，取得了比较好的降噪效果。
.......................
第二章 SVM 相关理论
2.1 统计学习理论基础
相比于专家系统等其他学习方法，SVM 算法拥有更为高效的分类性能。经过研究和实践证明，其结构布局相对简单，对于具有样本量小，非线性，数据特征量高的一些问题，支持向量机可以很好的处理，可以很好的发掘样本的信息特征，并且在对样本信息的提取与训练过程，提升 SVM 模型的分类性能，对于故障信号的诊断精度有较大的提升。并在一定程度上具有很强的泛化能力。
对于小样本量的计算，分析和推理问题，常利用统计学习理论来解决。 它的重点在于运用最小经验风险的原理，来协调预期风险和经验风险彼此间的关系。应用统计学习原理构建机器学习的新方法。该理论的核心内容主要包含功能集的 VC 维理论，广义边界的原则和结构风险的最小化。上述理论能够用来获得学习过程中收敛速度的有关特点，研究与完善学习的新算法。
2.1.1 VC 维理论
VC 维在一定程度上可以表示函数的学习性能。通常较高的 VC 维，说明机器的学习能力较高。另外对于相对复杂的机器学习方法其 VC 维的计算是并不容易，甚至很难。采取相应措施来计算相关学习模型的 VC维已成为需要解决的关键性问题[15]。
根据上述讨论，在某种情形下，并没有合适的经验风险原则，通常在实际应用中往往并不一定适合。如果要产生更好的结果，则必须选择一个更适合于已有训练样本的模型。如何选择，只能基于经验，目前还没有相关有效的理论指导。
为了解决经验风险的不足，提出了一种基于统计学习理论的结构风险最小化准则。准则将功能集分解为功能子集序列，该功能子集是基于VC 维以降序排列功能集中的子集。在每个子集中，必须找到功能子集序列的其最小经验风险。该方法只能用于处理少量子集，但是不能用于处理大量子集的情况。第二种解决方法，首先应建立某种函数，该函数可以获取函数集的每个子集。支持向量机选取第二种方案以尽可能使结构风险降到最低，再推测数据样本。
.........................
2.2 CEEMDAN 阈值降噪方法
使用经验模态分解算法进行时频域分析，在处理一些非平稳、非线性的信号时，一般用的较多。传统 EMD 方法具有其优势，可以将信号进行分解，处理为一系列的模态分量的形式，不同的分量含有不同的频带信息。但是这种方法也有其弊端，带来模态混叠等问题。EEMD 方法对此做出了改进。这种方法是对处理的信号添加白噪声，但是也带来了一定的问题，添加的噪声无法得到完全去除。最终造成重构的信号产生误差。而本文采用的 CEEMDAN 方法,可以有效解决上述出现的一些问题，对信号分解去噪，并且提升信号重构精度。
本文提出了一种改进的小波包结合 CEEMDAN 的阈值降噪方法。对原始信号使用小波包方法降噪进行预处理,可以有效减少 CEEMDAN 算法分解过程中产生的模态混叠现象。再通过 CEEMDAN 算法进一步分解经过上个步骤处理以后的信号。通过连续均方误差准则选择与判断上个处理步骤中所获取的模态分量,来进一步区分主要信号 IMF,和主要噪声 IMF。对噪声含量较高的的模态进行软阈值降噪，在很大程度上去除噪声，使结果的过度较为平滑。对噪声含量较少信号较多的模态则进行 Stein 无偏似然估计原理的自适应规则降噪，可以最大程度的保留有用的信号。最后将两部分处理后的 IMF 进行合并来重构信号。
图 3.2 生成的不含噪信号 图 3.3 加入噪声后生成的含噪信号
..............................
第三章 捣固车液压系统故障状态振动信号处理技术.........................21
3.1 CEEMDAN 阈值降噪方法...........................21
3.1.1 CEEMDAN 分解原理....................................... 21
3.1.2 CEEMDAN 阈值降噪原理................................... 22
第四章 捣固车液压系统故障特征提取.......................33
4.1 时频信号振动特征.........................33
4.1.1 时域振动信号特征................................33
4.1.2 频域振动信号特征........................................36
第五章 改进 PSO 算法优化 SVM 的捣固车液压系统故障诊断研究............................47
5.1 粒子群优化算法及其改进............................47
5.1.1 基本粒子群优化算法...............................47
5.1.2 改进的粒子群优化算法.....................................48
第五章 改进 PSO 算法优化 SVM 的捣固车液压系统故障诊断研究
5.1 支持向量机模型的参数优化
支持向量机分类模型一般选用 RBF 核函数，模型的分类能力往往取决于惩罚系数 C 以及核函数参数 。这两个参数对模型的分类准确率，训练时间，测试时间等方面影响较大，因此需要选择合适的惩罚系数 C 和核函数参数 。通常采用的方法是按照研究人员储备的实验经验选择分类模型较为合适的参数，这种做法是根据先验知识，但往往不同的研究对象，研究领域，参数的选则缺乏相应的指导，会对 SVM 模型的分类效果与应用能力产生影响。部分研究者研究了 SVM 中的参数优化问题，总结出最速下降法等
