基于奇异值分解和支持向量机的转子故障诊断

为了准确识别转子不平衡、不对中、碰摩和油膜涡动等故障,利用小波分析对转子故障信号进行4层分解,将频率由高到低的5个分支信号作为奇异值分解（Singular Value Decomposition,SVD）矩阵的行向量,经奇异值分解后得到信号的故障特征值。通过支持向量机（Support Vector Machine,SVM）在选择不同的核函数和结构参数下比较其对转子故障诊断结果的影响。结果表明在选择最优SVM模型和参数的基础上,对SVD获得的故障特征值进行诊断,得出了准确的诊断结果。     

基于奇异值分解和支持向量机的齿轮故障诊断

针对大型设备的齿轮运行环境噪声干扰大和缺少故障样本的特点,提出了基于奇异值分解和支持向量机相结合的齿轮故障诊断方法。分析了奇异值分解法在信号特征提取中的应用与优势、支持向量机的原理与算法,并通过试验验证了基于奇异值分解和支持向量机的齿轮故障诊断方法可以实现对齿轮进行快速、准确的故障诊断。     

基于EMD和SVM的刀具故障诊断

为有效监测刀具在机床中可能出现的故障,提出基于经验模态分解(EMD)和支持向量机(SVM)的一种故障诊断方法。首先用EMD方法将振动信号分解为有限个固有模态函数(IMF),并选取能量较大的IMF进行标量量化得到特征向量,最后将其输入SVM进行测试进而判断故障类型。分析结果表明,基于EMD-SVM的刀具故障方法能够更有效地识别刀具故障状态。     

EMD-AR谱分析和SVM的变速箱故障诊断

针对特种车辆变速箱工作环境恶劣、故障模式难以识别的问题,在现有方法基础上,将EMD分解和AR谱估计相结合,应用于变速箱故障诊断中.首先,在自行搭建的实验台上采集变速箱正常、轴承间隙故障、外环压痕、齿轮断齿4种典型状态下的振动信号;然后采用EMD-AR谱进行分析,对比不同状态下信号前6个IMF分量的AR谱,再提取EMD-AR谱能量特征值,将特征值输入到构建好的SVM分类器中,根据输出结果识别变速箱的故障类型.结果表明,该方法能有效应用于特种车辆变速箱故障诊断,诊断正确率达到94.5％,为其他特种变速箱诊断提供了一种有效的参考途径,有一定工程实用价值.     

基于EMD奇异值分解与马氏距离的气阀故障诊断

设置排气阀的不同间隙及用新气阀模拟轻微漏气,构造气阀机构的四种常见工作状态,然后针对非平稳的缸盖振动信号,介绍了一种可以处理非平稳信号的新方法,应用Hilbert-Huang 变换的核心内容--经验模态分解法对非平稳信号进行分解,以降低原始信号中的非平稳性.利用经验模态分解和奇异值分解得到缸盖振动信号的故障特征参数,然后用少量的样本数据训练得到四种常见工作状态的模式向量,最后利用马氏距离判别函数进行气阀机构故障状态的识别.实验结果表明通过小样本即可完成模型的训练,且训练一旦完成,对未知样本的分类速度和识别率都很高,便于实现气阀机构故障的在线实时监测与诊断.     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

奇异值熵和支持向量机的齿轮故障诊断

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵和支持向量机的齿轮故障诊断方法.首先,通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模式分量,将得到的若干个本征模式分量自动形成初始特征向量矩阵;然后,对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并对其进行归一化,求得奇异值熵,根据奇异值熵值大小可以判断齿轮的故障类型;最后,将奇异值故障特征向量作为支持向量机的输入,判断齿轮的工作状态和故障类型.试验结果表明,即使在小样本情况下,基于EEMD奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

基于可变风险SVM模型的柴油机故障诊断技术

针对传统故障模式识别方法不能区别不同误判所造成损失不同的问题,提出了可变风险支持向量机(SVM)模型,对传统SVM模型的最优分类面进行重新设计,在利用实际数据识别故障的同时融入专家经验,使故障识别结果更具可靠性,该方法已成功应用于柴油机故障诊断.     

基于EMD幅值熵和支持向量机的滚动轴承故障诊断

针对滚动轴承早期故障特征微弱,无法对轴承状态进行有效辨识的特点,提出基于EMD幅值熵和支持向量机的故障诊断方法。首先通过经验模态分解的自适应性将振动信号分解为不同时间尺度的本征模态函数IMFs,然后从分解的IMFs中分别提取瞬时幅值香农熵构造故障特征集,最后通过支持向量机对提取的故障特征集进行分类识别。滚动轴承实验结果表明,所提方法相比基于EMD和AR模型的故障诊断方法效果更好,诊断识别率达到100%。     

基于EMD和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于EMD和Hilbert包络谱的滚动轴承故障诊断新方法.通过在滚动轴承实验台上提取振动信号,用EMD对数据进行分解得振动信号的固有模态函数分量(IMF分量),然后对IMF作Hilbert包络并进行谱分析.结果表明,该方法能够准确地识别和诊断出滚动轴承的运行状态和故障类型,非常适合滚动轴承故障精确诊断,具有很高的工程实用价值.     

A novel intelligent gear fault diagnosis model based on EMD and multi-class TSVM

In the condition monitoring of gear reducer, the labeled fault samples are sparse and expensive, while the unlabeled samples are plentiful and cheap. How to diagnose the faults occurring in complex and special gear reducer effectively becomes a troublesome problem in case of insufficient labeled samples or excess unlabeled samples. This paper presents a novel model for fault diagnosis based on empirical mode decomposition (EMD) and multi-class transductive support vector machine (TSVM), which is applied to diagnose the faults of the gear reducer. The experimental results obtain a very high diagnosis accuracy. Even though the number of unlabeled samples is 50 times as that of labeled samples, the mean of testing accuracy of the proposed novel method can reach at 91.62%, which distinctly precedes the testing success rates of the other similar models in the same experimental condition.     

基于EMD的冲击信号提取方法及其在设备故障诊断中的应用

提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)的冲击信号提取方法,利用该方法首先将含有周期性冲击的信号进行EMD分解,在分解后的高频段IMF中,存在着类似冲击响应信号的成分,这些成分是由原始信号中的周期性冲击引起的,通过包络解调方法,可以得到冲击响应信号出现的频率,该频率对应原信号中冲击信号出现的频率.由于碰摩故障发生时,往往伴随着周期性冲击信号的产生,故该方法可以应用于旋转设备碰摩故障诊断中.仿真信号和试验数据的分析结果表明,这种方法正确有效,可以应用于工程实际.     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

EMD模糊聚类法及在滚动轴承故障诊断中的应用

轴承故障是导致旋转机械失效的重要原因,故障诊断对保障轴承正常运行至关重要。文中提出经验模态分解(empirical mode decomposition,EMD)和模糊聚类相结合的滚动轴承故障诊断方法,以经验模态分解所得内禀模态函数能量值作为特征向量建立模糊关系矩阵,基于欧氏距离建立模糊相似矩阵,基于传递闭包法建立模糊等价矩阵,利用λ截矩阵实现聚类分析与模式识别。实例验证该方法可对不同故障状态的滚动轴承准确分类,实现故障诊断,诊断过程简单、准确、有效,具有一定的实用价值。     

基于AR-SVM的转子故障诊断

将时间序列建模与支持向量机相结合并应用于转子故障诊断领域.用时间序列理论进行故障建模,可以在缺乏对实际故障机理了解的情况下从机组自身的运行过程中动态获取故障的统计特征信息.而支持向量机作为模式识别领域的新工具,其具有小样本学习能力等显著优势.这里首先对实验台振动信号建立时间序列模型,然后用模型参数来训练一个支持向量机作为故障诊断的分类器.实验结果表明,这种方法有很好的实用性.     

基于应变的柴油机滚动轴承故障诊断方法研究

从简单的悬臂梁入手,建立了柴油机上滚动轴承的动力学模型,从理论上推导了梁上各点位移、速度、加速度和应变的响应解析表达式。通过仿真计算,发现上述四种参数对激振力都很敏感,而相对于其它三种响应而言,应变响应对其它激振源的加速度信号不敏感,得出了利用应变信号可以有效地避免柴油机上其它振动源的干扰的结论。并通过试验研究,验证了上述结论。     

Support vector machine with genetic algorithm for machinery fault diagnosis of high voltage circuit breaker

Based on empirical mode decomposition (EMD) method and support vector machine (SVM), a new method for the fault diagnosis of high voltage circuit breaker (CB) is proposed. The feature extraction method based on improved EMD energy entropy is detailedly analyzed and SVM is employed as a classifier. Radial basis function (RBF) is adopted as the kernel function of SVM and its kernel parameter γ and penalty parameter C must be carefully predetermined in establishing an efficient SVM model. Therefore, the purpose of this study is to develop a genetic algorithm-based SVM (GA-SVM) model that can determine the optimal parameters of SVM with the highest accuracy and generalization ability. The classification accuracy of this GA-SVM approach is tried by real dataset and compared with the SVM, which has randomly selected kernel function parameters. The experimental results indicate that the classification accuracy of this GA-SVM approach is more superior than that of the artificial neural network and the SVM which has constant and manually extracted parameters.     

An improvement EMD method based on the optimized rational Hermite interpolation approach and its application to gear fault diagnosis

A demodulation technique based on improvement empirical mode decomposition (EMD) is investigated in this paper. Firstly, the problem of the envelope line in EMD is introduced and the drawbacks of two classic interpolation methods, cubic spline interpolation method and cubic Hermite interpolation method are discussed; then a new envelope interpolation method called optimized rational Hermite interpolation method (O-EMD) is proposed, which has a shape controlling parameter compared with the cubic Hermite interpolation algorithm. At the same time, in order to improve the envelope approximation accuracy of local mean, the parameter determining criterion is put forward and an optimization with Genetic Algorithm (GA) is applied to automatic select the suitable shape controlling parameter in each sifting process. The effectiveness of O-EMD method is validated by the numerical simulations and an application to gear fault diagnosis. Results demonstrate that O-EMD method can improve the reliability and accuracy significantly compared with traditional EMD method.     

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。