基于小波包分析和有向无环图支持向量机的电机故障诊断研究

针对电机振动信号的特点,提出一种基于小波包分析和有向无环图支持向量机的故障诊断方法,将电机不同故障下的振动信号进行小波包分解与重构,提取频带能量作为特征向量,应用有向无环图支持向量机建立从特征向量到故障模式之间的映射,实现对电机的故障诊断。结果表明,该方法能准确有效地诊断电机故障。     

基于集成支持向量机的滚动轴承故障智能诊断研究

针对滚动轴承故障识别问题,有效提高分类正确率,提出一种基于Adaboost算法的集成支持向量机智能诊断方法。该方法采用小波包变换提取信号的敏感频带特征;计算各频带能量作为训练特征;将特征向量输入到集成支持向量机中,以实现对不同的滚动轴承故障类型的识别。实验结果表明,该方法能有效地提取故障特征同时获得较好的分类效果。     

基于小波包分析和最小二乘支持向量机的电机转子故障诊断研究

采用小波包分析和支持向量机来诊断电机故障。针对电机中常见的故障,如电机振动故障,电机转子断条故障,电机转子偏心故障等,进行频谱分析,提取故障信号在动态条件下各频带能量作为故障特征向量。构建多个最小二乘支持向量机组成的多值故障分类器,将故障特征向量作为学习样本,并且输入支持向量机进行训练,分类器可以建立故障特征向量和故障类型的映射关系,从而达到电机故障诊断的目的。     

基于EMD-SVM的刚性罐道故障诊断研究

探讨了基于经验模态分解(EMD)和支持向量机(SVM)的提升机刚性罐道故障诊断方法。首先利用EMD对采集的振动信号进行分解以获得内蕴模态函数(IMF),并结合小波降噪对其高频分量进行降噪。然后,提取降噪后IMF分量中的典型信息作为故障特征向量,使用SVM进行故障模式识别。     

基于小波-支持向量机的矿用通风机故障诊断

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量，以此作为支持向量机多故障分类器的故障样本，经训练的分类器作为故障智能分类器可对通风机的工作状态进行自动识别和诊断.并以不对中故障为例，进行了实用验证.研究结果表明，支持向量机在小样本情况下仍能准确、有效地对通风机的工作状态和故障类型进行分类.     

基于K-L变换和支持向量机的滚动轴承故障诊断

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。试验结果表明,利用主矢量分解后的主特征向量与支持向量机相结合可以有效、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途径。     

基于最小二乘支持向量机的矿用胶带机滚动轴承故障识别

提出利用最小二乘支持向量机方法进行矿用胶带机滚动轴承故障识别方法,利用小波包的分解方法提取检测信号的故障信息,并将其作为最小二乘支持向量机的输入量,将样本的常见故障类型作为输出量,对样本的输入量和输出量进行不断的训练学习,得到最小二乘支持向量机模型,利用该模型进行胶带机滚动轴承故障识别。研究结果表明:基于最小二乘支持向量机模型的计算结果与测试样本拟合精度较高,可以用于进行矿用胶带机滚动轴承故障识别。     

小波包神经网络在离心压缩机故障识别中的应用

为了能够提高离心压缩机故障识别的准确性和效率,构造了小波包模糊神经网络对离心压缩机进行故障识别。研究了小波包分析提取特征向量的方法。利用小波包分析获得了离心压缩机的特征向量后,利用模糊神经网络对其进行故障识别。利用小波包模糊神经网络对离心压缩机常见的5种故障进行了识别,结果表明该方法具有较高的故障识别能力。     

基于支持向量机的异步电机转子故障诊断

根据异步电机发生故障时振动信号的特点,提出了一种基于小波包分解和支持向量机相结合的异步电机转子故障诊断方法。通过采用快速ICA算法对振动信号进行多通道数据融合,然后进行3层小波包分解,得到各分解节点对应频带的重构信号以及对应的能量,并将各频带的能量元素组成的特征向量作为诊断模型的特征向量,输入到LS-SVM分类器中进行故障识别和分类。诊断结果表明:采用ICA-SVM模型具有较高的分类速度和很好的故障识别率。     

基于数据挖掘的矿用提升机故障预警方法

针对采用传统的方法进行矿用提升机故障预警不仅计算量大而且准确性较低的缺陷,构建了基于数据挖掘的故障预警系统设计方法。首先利用训练集对支持向量机进行训练,寻找出支持向量机的最优参数,然后建立提升机状态与故障之间的联系,最后进行故障预警,仿真结果表明,该系统能够很好地进行矿用提升机的故障预警,具有较好的工程应用价值。     

基于虚拟仪器技术实现震源信号特征提取和自动识别

为了提高矿山微震监测系统中爆破震动信号和岩体破裂信号的辨识度,减少人工识别的工作量,以某金属矿山微震监测系统定时爆破和人工识别方法建立的爆破震动信号和岩体破裂信号数据为分析对象,基于虚拟仪器LaBVIEW平台提供的高级信号处理工具包和支持向量机工具包,对两类信号进行三层小波包分解,提取小波包分解得到的最后一层各节点熵作为特征值组成特征向量,输入支持向量机分类区,对岩体破裂信号和爆破信号进行分类。实验结果表明,基于小波包节点熵的特征向量,结合支持向量机,能够很好的识别区分岩体破裂信号和爆破信号。     

小波包神经网络在数控机床故障诊断中的应用

为了能够提高数控机床故障诊断的正确率,提出了小波包模糊神经网络方法对数控机床进行故障诊断,也提出了小波包分析提取特征向量的程序,利用小波包分析可以获得数控机床的特征向量,应用模糊神经网络对数控机床进行故障诊断.利用小波包模糊神经网络对数控机床常见的8种故障进行了诊断,证明小波包神经网络进行故障诊断的有效性.     

基于小波包系数平均能量的异步电机转子故障诊断

异步电机的转子断条的特征信号与基波频率非常接近,并且幅值很小,很容易被变频分量湮没。研究了小波包分解和小波包节点系数重构,以及小波包系数的平均能量的计算。然后通过小波包分解提取故障的特征信号的频带向量,最后计算频带向量的小波包系数平均能量并进行归一化处理,形成故障特征向量。通过特征向量的对比判断电机是否发生转子断条故障。并通过Matlab仿真以及实验分析验证了这种方法的可行性。     

基于支持向量机的矿用通风机故障诊断

以小波包技术和支持向量机为工具,对定子电流信号进行分析,建立通风机多故障分类器,实现故障智能识别。运用小波包技术将定子电流的时频信号分解为几个包含通风机不同工作状态信息的频段,并提取出各个频段的特征向量,以此作为分类器的训练样本,采用有向无环图解决多分类问题。以转子断条为例,对已训练完成的多故障分类器进行验证。研究结果表明,该方法具有良好的多故障分类智能诊断性能。     

提升机故障信号特征提取方法研究

研究小波包分析的频带频率特性,指出存在频带能量泄漏问题;揭示小波包分析频带能量泄漏的基本规律,提出频带能量泄漏的识别方法和信号特征提取方法。该方法可以排除频带能量泄漏影响,减少特征向量个数,降低分析复杂度。该方法已应用于矿井提升机故障诊断。     

基于小波理论的支持向量机瓦斯涌出量的预测

将小波框架理论引入到支持向量机预测函数中,建立了基于小波理论的支持向量机预测模型。该模型通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,利用支持向量机进行预测。经实验表明该模型预测的结果比较准确,在时间复杂度上和预测精度上要优于以往的预测模型,能够达到指导实践的要求。     

基于图像识别的齿轮故障诊断方法研究

以圆柱齿轮为对象,提出了基于双谱分析和图像识别的齿轮箱故障诊断方法。通过小波包双谱分析生成故障信号的双谱图,并通灰度共生矩阵的2阶特征统计量来表征双谱图特征。对于这些特征统计量,通过相关度的大小进行分类从而得到故障模式识别的输入特征向量。通过支持向量机(SVM)模式识别算法对这些特征集合进行分类,从而识别出相应的齿轮故障类型。实验证明在具有噪声的情况下,该方法取得了比较理想的识别率,验证了基于图像识别的齿轮箱故障诊断方法的可行性。     

基于小波包神经网络的电机故障诊断分析与研究

由于传统基于傅立叶变换的利用频域对电机故障的信号分析中无法对奇异信号点的时域信息进行检测。针对上述问题,提出基于小波包神经网络的电机故障诊断的方法。结合电机振动的非平稳随机性的特点。利用小波包多分辨率分析方法对电机的采样信号进行分解,提取电机故障状态特征并作为BP神经网络输入样本的特征向量,利用神经网络的自学习和模式识别的特点最终输出电机故障类型。通过MATLAB仿真结果可以证实该方法可行性。     

基于支持向量机的煤岩图像特征抽取与分类识别

为了尽可能减少作业人员数目,研究了煤岩图像的自动识别技术,介绍了煤岩图像的识别基础、小波变换和支持向量机原理,分析了煤岩图像纹理在多尺度分解情况下的特点以及支持向量机的参数设置,利用煤岩图像基于灰度共生矩阵的纹理统计量角二阶矩、对比度、相关性、均值、方差构造纹理特征子向量P1,利用煤岩图像不同尺度分解下的角二阶矩、对比度、相关、均值、方差构造纹理特征子向量P2,利用不同尺度分解系数构造纹理特征子向量P3,结合3个特征子向量构造纹理特征向量,最后结合支持向量机对煤岩图像进行分类识别。对不同的特征抽取方式以及煤岩的不同分类进行了比较分析。结果表明：该特征抽取以及分类方法能有效的表达纹理信息,对煤岩的识别准确率达到了97.959 2%,与不使用小波的方法相比提高了7.01%。研究结果可为煤岩界面的自动识别提供依据。     

广义动态模糊神经网络及在轴承故障诊断中的应用

提出一种结合小波包分解和广义动态模糊神经网络的故障诊断方法,该方法首先采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此向量作为输入,再利用广义动态模糊神经网络建立轴承故障诊断模型,该模型不仅能对模糊规则而且能对输入变量的重要性做出评价,使每个输入变量和模糊规则都可根据误差减少率进行修正。实验结果表明:该方法对识别和预测轴承的状态具有较高的精度和效率。