基于FFT与CS-SVM的滚动轴承故障诊断

针对滚动轴承故障信号强噪声背景和非线性等特点,为精确识别滚动轴承的故障特征频率并精准分类,提出了一种基于Hanning窗插值快速傅里叶变换并利用布谷鸟算法优化支持向量机的滚动轴承故障诊断新方法。采用Hanning窗对得到的频域信号进行加窗处理并求得样本特征的均方根特征值;经过布谷鸟算法优化后的支持向量机(CS-SVM)对样本数据进行故障诊断分类。通过凯斯西储大学的轴承故障振动信号数据进行的实验,验证了该混合智能诊断方法的有效性和优势,结果表明:所提出的方法可以对轴承故障准确进行分类。     

基于小波去噪和最小二乘支持向量机的滚动轴承故障诊断研究

针对滚动轴承故障,提出了基于相关原则优化阈值的小波去噪和最小二乘支持向量机相结合进行滚动轴承故障诊断的方法,采用相关原则优化阀值的小波对轴承早期故障特征进行提取,运用能量-特征法提取出信号特征,然后利用最小二乘支持向量机多分类算法进行故障类型的识别。实验与仿真结果表明:基于相关原则优化阈值的小波变换和最小二乘支持向量机相结合的故障诊断方法能有效地诊断出滚动轴承的典型故障。     

基于近似熵与支持向量机的异步电机故障诊断研究

针对异步电机故障发生率高、故障类别难以有效识别的问题,提出一种基于近似熵与支持向量机的故障诊断方法。通过构造故障再现试验,分别测取4种不同状态类别的多测点振动信号样本。利用近似熵算法计算其近似熵样本值,得到4种不同状态类别的近似熵故障特征向量。结合支持向量机算法,构建支持向量机分类模型。近似熵特征量被划分为训练样本和测试样本,经验证其故障诊断准确率达97.5%,改进BP神经网络诊断方法的准确率为92.5%,结果表明：近似熵结合支持向量机方法具有更高的诊断精度。     

LMD和SVM相结合的电机轴承故障诊断研究

为了提高电机轴承故障诊断的准确率,提出了基于粒子群优化的支持向量机(SVM)故障诊断的方法。文章采用局部均值分解(LMD)提取电机轴承振动信号特征作为支持向量机的特征向量;采用粒子群优化算法(PSO)优化支持向量机的核函数参数和惩罚参数,以此建立分类器用于识别电机轴承故障类型。通过仿真实验验证该方法能够有效的识别电机轴承故障状态。     

EEMD能量熵与优化LS-SVM的滚动轴承故障诊断

针对滚动轴承振动故障信号非平稳、非线性难以有效诊断的问题,提出基于集成经验模式分解(ensemble empirical mode decomposition,EEMD)能量熵与优化最小二乘支持向量机(least square support vector machine,LS-SVM)的滚动轴承故障诊断方法。首先利用EEMD对滚动轴承的振动故障信号进行分解,得到各阶的内禀模态函数分量(IMF)并计算其能量构造成特征向量矩阵,随后将该特征向量矩阵输入给优化的LS-SVM进行故障模式的分类辨识。通过实验验证了该方法的有效性和可行性,结果表明,基于EEMD能量熵特征与优化LS-SVM的滚动轴承故障诊断方法能够有效的诊断滚动轴承的实际运行工况。     

基于CMCPSO-SVM的轴承微弱故障诊断方法北大核心

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明:该故障分类模型的识别准确率高于其他分类模型。     

改进和声搜索算法优化支持向量机的柴油机故障诊断研究

针对基本和声搜索算法在优化支持向量机参数时,其局部搜索能力不足且后期收敛速度比较慢的缺点,提出利用改进和声搜索算法对支持向量机相关参数进行选择优化(IHS-SVM)的方法。在这一方法中,将原算法中控制参数—记忆库取值概率(HMCR)、微调概率(PAR)和调节宽度(bw)由静态值改进为随迭代次数的不同而进行动态变化。通过对UCI中的2个数据集进行分类正确率测试,并与未优化的支持向量机(SVM)和基本和声算法优化的支持向量机(HS-SVM)测试结果对比,证明了该改进方法的优越性。最后,将其用于柴油机故障诊断,并将分类正确率与未优化SVM和HSSVM分类结果进行比较,进一步说明改进和声搜索算法优化的支持向量机(IHS-SVM)能获得更高的分类结果正确率,即证明了该改进方法的实用性。     

基于GWO-SVM的高压断路器故障诊断

为提高高压断路器故障诊断精度和效率以保障电力系统安全稳定运行,提出一种基于拉普拉斯分值法与改进的支持向量机(SVM)的智能故障诊断方法。首先,从高压断路器分合闸线圈电流中提取包括电流峰值、关键时间点及电流统计量等特征值,并建立故障样本集合;其次,采用拉普拉斯分值法筛选出关键特征,降低故障样本集合的维度;最后,采用灰狼算法(GWO)优化支持向量机(SVM)的关键参数,构建高效、准确的高压断路器故障诊断模型。基于实际故障样本的仿真测试结果表明:提出的采用特征选择及参数优化的故障诊断方法较其他传统方法具有更高的诊断精度及诊断效率,对实际工程应用具有一定的参考借鉴意义。     

基于平均影响值与SVM的滚珠丝杠故障诊断技术

针对滚珠丝杠故障诊断中存在大量冗余信息的特点,引入平均影响值法对故障信号特征进行筛选。该法可剔除冗余特征,保留对诊断结果影响较大的特征作为支持向量机(SVM)的输入,然后借助支持向量机实现对输入参量的训练以及故障模式识别。经实验验证,实例中所建立的滚珠丝杠故障诊断模型,能在更大程度上缩短诊断时间,提高分类精度,具有较传统诊断模型更好的诊断效果。     

基于HGWO-MSVM的齿轮箱故障诊断研究

针对齿轮箱多类故障信号非线性、不确定性难以进行有效识别的问题,提出了一种混合灰狼优化算法(Hybrid Grey Wolf Optimizer,HGWO)优化多分类支持向量机(Multi-class Support Vector Machine,MSVM)的齿轮箱故障诊断方法。首先利用小波包对齿轮箱故障信号进行降噪处理,并通过信号中各频带的能量,提取能量特征值,再将获取的特征值输入优化后的MSVM模型进行故障模式的识别。实验结果表明,相对于传统的诊断模型,基于HGWO-MSVM的齿轮箱故障诊断模型能够更有效地诊断齿轮箱的实际运行状态,提高识别效率和精度。     

基于DCNN-SVM的滚动轴承故障诊断方法研究

针对传统深度学习方法在滚动轴承故障诊断中分类准确度相对较低的问题,提出了一种基于深度卷积模型(DCNN)和支持向量机(SVM)相结合的诊断模型。利用深度卷积模型对滚动轴承故障信号进行自适应特征提取,再将提取的特征输入到支持向量机中进行模式识别。使用经典深度卷积、BP神经网络和支持向量机三种模型进行了5组对比实验,并对自适应提取的特征与人工特征进行了PCA主成分分析。结果表明,利用该方法对滚动轴承内圈点蚀、滚珠点蚀和外圈点蚀等10类故障进行实验诊断,准确率达到99.25%,提高了故障诊断准确率。     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.     

基于参数优化VMD和峭度准则的齿轮故障诊断

针对盾构主减速机齿轮故障特征难以提取的问题，提出了一种基于参数优化变分模态分解(variational mode decomposition, VMD)和峭度准则的故障诊断方法。利用粒子群算法(particle swarm optimization, PSO),以最小平均包络熵为适应度函数来确定VMD算法的模态分量个数K及惩罚因子α的最佳组合；将原始振动信号利用[K,α]参数组合通过VMD分解成若干本征模态(intrinsic mode function, IMF)分量，根据峭度准则筛选出最佳和次最佳IMF分量进行重构，降低噪声干扰；最后，提取重构信号的时域和熵理论特征，利用粒子群优化支持向量机(PSO-SVM)和轻量级梯度提升机(LightGBM)进行故障识别分类。通过使用DDS试验台实测信号数据验证表明，该方法能够有效地提取齿轮故障特征，实现对齿轮故障类型的准确判定，验证了该方法的可行性和有效性。     

基于局部切空间排列与WSVM的滚动轴承故障诊断

针对滚动轴承的多类故障特征非线性难以有效辨识的问题,提出基于局部切空间排列和小波支持向量机的滚动轴承故障诊断方法。在由集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)处理后的频带能量组成的故障特征集中,首先采用局部切空间排列进行约简降维,提取其中的低维敏感特征,随后将获取的低维敏感特征输入给小波支持向量机进行滚动轴承的多类故障辨识。实验结果表明,基于局部切空间排列(local tangent space arrangement,LTSA)和小波支持向量机(wavelet support vector machine,WSVM)的滚动轴承故障诊断方法能够有效提取多类故障的低维敏感特征,并且相对传统诊断方法而言故障诊断精度更高。     

基于PSO优化SVM数控机床主轴系统故障诊断的研究

通过分析主轴系统的故障特征和产生机理,提出了一种基于变分模态分解(VMD)与多尺度加权排列熵(MWPE)的故障特征提取方法和粒子群(PSO)优化支持向量机(SVM)的数控机床主轴系统故障分析诊断模型。首先,利用变分模态分解方法对所采集的主轴系统振动信号进行分解,得到若干有效本征模态分量(IMFs);其次,通过多尺度加权排列熵提取故障特征信息,利用SVM模型对故障特征信息进行分类与识别;为了提高模型的识别准确率,将引入粒子群优化算法(PSO)对SVM模型参数进行优化。实验验证表明,所提出的信号特征提取方法和状态识别模型在数控机床主轴系统的故障诊断方面取得了很好的成效,其故障识别准确率最高达99.56%。     

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明：与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。     

基于相空间奇异值分解与AFSA-SVM的齿轮故障诊断方法

针对表征齿轮故障信息的特征难提取与支持向量机的结构参数基于经验选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于相空间奇异值分解与AFSA-SVM的齿轮故障诊断方法。该方法首先将齿轮振动信号进行相空间重构,并对重构矩阵进行奇异值分解得到奇异值特征向量;其次,利用人工鱼群算法优化支持向量机的惩罚系数与高斯核宽度系数,建立AFSA-SVM的齿轮故障分类模型;最后,将奇异值特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明:与基于BP、SVM和PSO-SVM的故障分类方法相比,基于相空间奇异值分解与AFSASVM的齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。     

基于量纲一指标和极限学习机的滚动轴承故障诊断方法

时域中的量纲一指标因对故障敏感,被广泛运用于机械故障诊断中,但是目前量纲一指标在诊断过程中存在严重交叉问题,即量纲一指标对于不同故障状态在特征空间中存在混叠现象。为了解决这个问题,提出基于量纲一指标和极限学习机的滚动轴承故障识别方法,采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集,验证算法诊断效果。为了进一步验证算法的优越性,将该算法与BP神经网络、支持向量机(SVM)和Grip search SVM 3种算法进行比较,结果表明:基于量纲一指标和极限学习机的故障诊断方法能够提高滚动轴承故障诊断效率和分类准确率。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于VMD和拉普拉斯分值的柴油机故障诊断

针对柴油机声信号非平稳非线性的特性,提出了一种基于变分模态分解(VMD)和拉普拉斯分值(LS)的柴油机故障诊断方法。首先对柴油机声信号进行变分模态分解,从分解得到的各模态函数中进行统计特征提取,组成初始特征集;然后利用改进的拉普拉斯分值算法进行特征排序,以支持向量机(SVM)为故障分类器,实现柴油机的故障诊断;最后通过设计接受者操作特性(ROC)指示器,确定故障诊断的最优维。将该方法应用到6135D型柴油机四种常见故障的诊断中,实验结果表明该方法能有效提取柴油机声信号特征并具有较高的诊断精度。