基于多类超球支持向量机的铣削颤振预测方法

为了预测薄壁件铣削过程颤振的发生,提出了一种应用小波系数特征和多类超球支持向量机进行铣削颤振预报的方法.首先基于连续小波变换分别提取高、低频段铣削振动信号的特征,然后利用多类超球支持向量机进行稳定铣削状态、铣削颤振孕育状态、铣削颤振状态识别.为了简化支持向量机进行多类分类时所带来的计算复杂性,该算法使每一类样本都获得一个超球支持向量机,在特征空间中以测试样本与超球中心距离、超球半径作为决策函数来进行识别.实验表明,在铣削颤振识别系统中多类双核超球支持向量机与连续小波系数特征向量相结合具有良好的识别效果,颤振孕育预报正确率达98.0％.     

铣削颤振过程中的振动非线性特征试验

为了分析铣削过程振动信号的非线性特征,使用双谱、李雅普诺夫系数、变形维数和近似熵分析变切深铣削过程中平稳铣削振动信号、颤振孕育振动信号和颤振振动信号.试验结果表明,振动信号在铣削颤振孕育和发生状态时具有强混沌特征,其双谱特征和混沌特征相结合可以作为识别颤振孕育、发生的有效手段,基于球形支持向量机分类器对平稳铣削、颤振孕育和颤振发生进行识别,识别准确率达98.0％.     

基于小波包及Hilbert-Huang变换的数控铣削颤振诊断技术

为了提高产品加工质量,根据试验测得铣削系统颤振稳定域,制定并采集数控铣削振动信号,以保证采集信号的准确性;融合小波包变换与希尔伯特黄变换,从能量频域分布与幅值概率统计分布两方面提取信号特征值,其中小波包降噪作为信号前置处理能有效降低环境噪声干扰的影响,提高经验模式分解的精度;建立基于模糊支持向量机的颤振诊断模型,将振动信号分为平稳铣削信号、微弱颤振铣削信号、颤振铣削信号及刀具磨损铣削信号。实验结果表明,该模型具有良好的铣削振动信号辨识与诊断能力,预测准确率达97.3%,为数控铣削加工振动信号的准确辨识与诊断提供了一种新方法。     

铝合金薄壁件的铣削加工颤振的建模与识别

选取力信号和加速度信号来预测薄壁件的颤振状态,分别提取铣削力信号的实时方差特征与加速度信号的小波能量特征,并采用该两个特征量构建颤振信号识别特征量。用测力仪、加速度传感器等设备搭建了铝合金薄壁件铣削颤振实验台,在不同切削参数条件下设计了正交实验分组。区别于以往的二分类SVM模型,文中设计了基于二叉树决策的多分类SVM模型,并结合信号实时方差与小波能量特征,将机床加工状态分为稳定阶段、趋于颤振和颤振阶段这三种状态,实验获得的160组信号特征量数据分别用来完成多分类SVM模型的训练和检验。结果表明:在切削参数下,设计的SVM识别模型具有96.67%的准确率,能在工程实践中达到颤振预测的目的。     

基于LE-SVM的切削颤振识别

为了减少切削颤振对机械加工的影响,提出了结合流形学习和支持向量机的颤振识别方法。首先采集切削加工中的振动信号,对信号进行小波滤波和归一化处理;然后对预处理后的信号进行数据流形降维;最后把降维后数据输入到支持向量机,建立切削加工振动信号的识别模型。试验结果表明,该方法具有较好的识别效果和较高的运算速度。     

基于谐波小波包和BSA优化LS-SVM的铣刀磨损状态识别研究

针对铣削刀具磨损状态识别问题,提出谐波小波包和最小二乘支持向量机（LS-SVM）的状态识别方法。为克服传统小波包分解的频带交叠问题,采用谐波小波包提取不同磨损状态下铣削力信号的各频段信号能量,归一化处理后,输入LS-SVM多类分类器,实现铣削刀具磨损状态的识别。针对LS-SVM的惩罚因子和核参数对模型识别精度影响较大的问题,提出回溯搜索算法（BSA）进行自动参数寻优。实验结果表明,谐波小波包比小波包在刀具磨损状态特征提取时具有更好的识别效果。与粒子群算法进行比较,证明BSA优化LS-SVM具有更高的识别精度。     

基于PCA和SVM的内燃机故障诊断

为有效对内燃机运行状态进行评估,根据内燃机振动信号特征和故障样本较少的特点,提出了基于主分量分析和支持向量机进行内燃机状态判别的故障诊断方法。提取内燃机振动特征参数,利用主分量分析消除其信息冗余,提取反映内燃机运行状态的主分量特征,实现内燃机振动特征参数降维。通过选择适合内燃机振动信号的径向基核函数,构造一对多的支持向量机多类分类器,对主分量特征进行训练学习,实现内燃机运行状态判别。通过对模拟内燃机不同运行状态的试验分析,结果表明该方法可以有效识别内燃机不同的运行状态。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

小波包分析和支持向量机在刀具故障诊断中的应用

利用小波包分析技术适于对非平稳信号进行特征提取和支持向量机在小样本情况下具有较强分类能力的特点,提出了一种基于小波包分析和支持向量机相结合进行刀具切削故障诊断的方法.该方法采用小波包分析对其提取特征向量,利用支持向量机故障分类器实现对刀具切削故障分类.试验结果表明,小波包分析和支持向量机能对刀具故障进行有效诊断,故障预报正确率为90%.     

小波支持向量机在结构损伤识别中的应用研究

基于小波框架理论和支持向量核函数的条件,引入非线性小波基函数构造支持向量机（SVM）的核函数．得到一种具有较强泛化能力的紧致型小波支持向量机。对结构在环境脉动下的反应信号进行小波包分解,利用“能量一损伤状态”的特征提取方法得到特征向量,并作为紧致型小波支持向量机的输人进行训练和分类检验,提出了一种基于完全小波支持向量机的结构损伤识别方法。以一空间单层网壳结构为检测和诊断对象,用该方法对结构的损伤位置和程度进行识另口和分类具有较高的精度,同时该方法具有面向工程实际应用、成本低和分析简便等特点。     

运用改进二叉树SVM算法的柴油机振动诊断

提出了一种改进的二叉树支持向量机(support vector machines,简称SVM)算法,用以克服二叉树SVM构造时各级正类样本选择缺乏理论指导的问题。基于最易分割类应最先分割的思想,该方法在定义特征参数类识别率概念的基础上,首先逐级计算每个特征参数对各级SVM所对应各类训练样本的类识别率,然后选择类识别率综合排序结果处于第1位的样本类作为相应级SVM的正类。从缸盖振动信号包络幅值域参数和小波包分解频带能量百分比参数中选取了对气阀故障较为敏感的9个特征,形成了诊断特征向量,使用常用的1-a-r,1-a-1,DDAG以及改进的二叉树SVM多分类方法对6种气阀间隙状态进行了诊断,结果表明,本文提出的改进二叉树SVM方法具有最好的分类效果。     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

基于LMD信号重构和支持向量机的柱塞泵故障诊断分析

为了提高基于机器学习的柱塞泵故障诊断效率,在柱塞泵故障5种状态振动信号基础上,提出基于局部均值分解(Local Mean Decomposition,LMD)信号重构和支持向量机(Support Vector Machine, SVM)的柱塞泵故障诊断方法。对消噪信号进行LMD分解,将重构信号与原始信号的样本熵进行对比。通过相关系数法处理分解后的PF分量和原始振动信号,以低相关性的分量作为噪声信号,同时重构高相关性的分量。结果表明:每种状态重构信号和原始信号之间的相关系数都达到0.9以上,说明重构信号内已经含有原始信号主要信息。各状态重构信号样本熵形成了比原始信号样本熵更优的分布状态,说明LMD重构信号可以减弱噪声对故障特征提取造成的影响。200组样本中识别准确率高达99%,表明以SVM多类分类器可以获得较高的故障识别诊断准确率。相对于原始信号,LMD重构信号达到了更高的训练准确度与测试准确性,表现出很好的计算精度。     

基于KPCA SVM的柴油机状态识别方法的研究

为了有效地对柴油机的运行状态进行状态识别,根据柴油机的特征信息和识别的特点,研究了基于核主元分析(KPCA)和支持向量机(SVM)进行柴油机状态识别的故障诊断方法.首先,对柴油机进行特征提取,构成一个特征向量.然后对其进行核主元分析,计算得到能反映设备状态的特征向量,有效去除信息的冗余.最后,将得到的特征向量进行支持向量机的训练学习,识别柴油机的状态.通过实验室柴油机燃烧系统不同运行状态下的识别分析,验证了此方法的可行性和实用性.     

基于优化支持向量机的轴承故障诊断方法研究

以滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工况下的振动信号为研究对象,采用小波包变换的方法提取信号的能量熵,构成振动信号的特征向量。在此基础上采用支持向量机进行故障模式识别,建立支持向量机模型需要选择适当的核函数及相关参数,使用径向基核函数,需要设置的参数为核函数的宽度和误差惩罚系数,分别结合传统的网格搜索,遗传算法,粒子群算法优化支持向量机参数以提升分类性能。试验结果表明,采用优化后的支持向量机进行故障诊断可以大大提高诊断精度。     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

A Roller Bearing Fault Diagnosis Method Based on Improved LMD and SVM

Aiming at the non-stationary features of the roller bearing fault vibration signal,a roller bearing fault diagnosis method based on improved Local Mean Decomposition(LMD)and Support Vector Machine(SVM)is proposed.In this paper,firstly,the wavelet analysis is introduced to the signal decomposition and reconstruction;secondly,the LMD method is used to decompose the reconstruction signal obtained by the wavelet analysis into a number of Product Functions(PFs)that include main fault characteristics,thus,the initial feature vector matrixes could be formed automatically;Thirdly,by applying the Singular Value Decomposition(SVD)techniques to the initial feature vector matrixes,the singular values of the matrixes can be obtained,which can be used as the fault feature vectors of the roller bearing and serve as the input vectors of the SVM classifier;Finally,the recognition results can be obtained from the SVM output.The results of analysis show that the proposed method can be applied to roller bearing fault diagnosis effectively.     

离散隐马尔可夫模型在颤振预报中的应用研究

对于切削过程中颤振孕育的动态模式,提出了基于离散隐马尔可夫模型(DHMM)的模式识别理论预报颤振的新方法。首先对切削过程的振动信号进行FFT特征提取,然后利用自组织特征映射(SOM)神经网络对提取的特征矢量进行冗余信息压缩与预分类编码;再根据多变量DHMM建模理论,对切削颤振孕育的各种过程模式建立相应的DHMM,把矢量编码作为观测序列引入到DHMM中进行机器学习、训练;最后将观测序列引入到DHMM中进行颤振孕育的概率识别尝试。实验表明,该方法对颤振孕育过程识别是十分有效的,颤振预报正确率达93.3%。