齿轮箱故障非线性特征测度及状态TWSVM辨识研究

针对齿轮箱振动的非线性,利用非线性特征测度的方法提取齿轮箱振动信号的故障特征。并利用双子支持向量机(TWSVM)对齿轮箱故障类别的辨识性能进行研究。TWSVM努力构造两个非平行的超平面来实现分类,它比支持向量机(SVM)针对多分类问题具有更好的样本不均衡适应性,并且分类性能优势明显。对齿轮箱故障类别辨识的实验表明,与传统的SVM和BP神经网络算法相比较,TWSVM具有更高的分类准确率。     

基于局部切空间排列与MSVM的齿轮箱故障诊断

针对齿轮箱故障特征重叠难以有效分离问题,提出基于局部切空间排列与多核支持向量机的齿轮箱故障诊断模型。在由振动信号时域统计指标及内禀模态分量能量构造的多元特征空间中,据局部切空间排列算法对多元特征进行非线性降维处理,得到初始低维流形结构,获取最优敏感特征向量;将该特征向量输入至多核支持向量机进行学习训练与故障辨识。局部切空间排列能克服传统降维方法的不足,多核支持向量机可实现复杂故障高精度、自动化智能诊断。通过齿轮箱故障模拟实验验证该方法的有效性。     

基于网格式支持向量机算法的转轴裂纹故障诊断

支持向量机(SVM)是一种对小样本决策具有良好学习性能的机器学习方法。常规SVM算法是从二类分类问题推导得出的,针对于故障诊断这种典型的多类决策问题,研究了一种网格式支持向量机多类算法,每个类别和其他2至4个类别之间采用常规SVM二值分类器进行分类,所需二值分类器总数少,可扩展性强。把转轴上不同位置的裂纹当作不同的故障,运用网格式支持向量机进行转轴裂纹位置故障诊断,结果表明该算法具有计算量小、诊断速度快、故障识别率高、容易扩展等优点,适合于较大规模的多类别故障诊断应用。     

支持向量机在电机转子故障诊断识别中的应用

提出了一种基于支持向量机的鼠笼式电机转子断条故障检测方法,通过对电机转子断条故障进行实验模拟,获取了采样信号,利用支持向量机(SVM)对故障样本进行训练,使得支持向量机(SVM)具有分类功能.最后,采用支持向量机(SVM)对电动机各种转子断条故障进行诊断分类,取得较满意的结果.     

基于集合经验模态分解的滚动轴承智能故障诊断方法

针对滚动轴承工作环境中含有强烈的环境噪声,其振动信号具有非平稳、非线性特征以及提取特征困难等问题,本文提出一种基于集合经验模态分解(EEMD)的滚动轴承智能故障诊断方法。首先通过卷积神经网络(C N N)提取振动信号关键特征,并将提取到的特征向量输入到支持向量机(SVM)中进行故障识别与分类。为了提高诊断性能,本文利用集合经验模态分解方法对原始振动信号进行分解,将复杂的振动信号分解为仅包含单一成分的本征模态分量(IMF),然后利用一维卷积神经网络对IMF进行特征提取,最后采用SVM进行分类。结果表明,所提出的方法相比于现有方法收敛速度更快,诊断正确率可高达99%,突出了该方法的优越性。     

K-VMD融合包络熵与SVM滚动轴承故障识别方法研究

针对滚动轴承振动信号非平稳、非线性导致的故障特征难以提取和类别难以辨识问题,提出一种基于能量占比优化变分模态分解(Variational Mode Decomposition,VMD)并融合包络熵与支持向量机（Support Vector Machine,SVM）的滚动轴承故障辨识方法。首先,设定VMD预分解层数K的范围,对振动信号进行分解;其次,分别计算出在不同K值下对应的各模态能量和,根据各模态能量之和与原始信号的能量之间的比值,确定最佳分解层数;然后,依据峭度准则筛选出有效的模态分量,同时计算其对应的包络熵值并组成特征向量;最后,将所构建的特征向量输入SVM中进行轴承故障类别的辨识。通过对转子综合实验台所采集的滚动轴承信号进行分析,结果表明,该方法可以对滚动轴承故障进行准确的辨别,为提高故障辨识准确率提供了一种新途径。     

基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断

摘 要：为了提高齿轮箱轴承故障识别率,提出基于核独立分量分析（KICA）、广义辨别分析（GDA）与最小二乘支持向量机（LSSVM）的轴承故障识别方法。首先将轴承故障振动信号的谱峭度、信息熵等故障特征作为原始特征向量,通过KICA方法将原始特征向量映射到核特征空间,从而去掉不同故障特征间的冗余并消除原始特征向量间的相关性。然后利用GDA方法对故障特征进行非线性融合,并构造新的特征向量。最后,将新的特征向量作为LSSVM分类器的输入,并实现轴承的故障分类。齿轮箱滚动轴承故障诊断试验结果表明：KICA-GDA和LSSVM的故障诊断方法可以识别出更多的轴承故障信息,且提高了LSSVM的分类性能,该方法相对于直接采用LSSVM进行分类的轴承故障方法具有更优秀的分类性能。     

不均衡数据下基于SVM的故障检测新算法

针对传统支持向量机(SVM)算法在数据不均衡情况下无法有效实现故障检测的不足,提出一种基于过抽样和代价敏感支持向量机相结合的故障检测新算法。该算法首先利用边界人工少数类过抽样技术(BSMOTE)实现训练样本的均衡。为减少人工增加样本带来的噪声影响,利用K近邻构造一个代价敏感的支持向量机(CSSVM)算法,利用每个样本的代价函数消除噪声样本对SVM算法分类精度的影响。将该算法应用在轴承故障检测中,并同传统的SVM算法,不同类代价敏感SVM-C算法,SVM和SMOTE相结合的算法进行比较,试验结果表明当样本不均衡时,建议算法的故障检测性能较其它算法有显著提高。     

基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断

摘 要：为了提高齿轮箱轴承故障识别率，提出基于核独立分量分析（KICA）、广义辨别分析（GDA）与最小二乘支持向量机（LSSVM）的轴承故障识别方法。首先将轴承故障振动信号的谱峭度、信息熵等故障特征作为原始特征向量，通过KICA方法将原始特征向量映射到核特征空间,从而去掉不同故障特征间的冗余并消除原始特征向量间的相关性。然后利用GDA方法对故障特征进行非线性融合，并构造新的特征向量。最后，将新的特征向量作为LSSVM分类器的输入，并实现轴承的故障分类。齿轮箱滚动轴承故障诊断试验结果表明：KICA-GDA和LSSVM的故障诊断方法可以识别出更多的轴承故障信息，且提高了LSSVM的分类性能，该方法相对于直接采用LSSVM进行分类的轴承故障方法具有更优秀的分类性能。     

基于半监督邻域自适应正交判别投影的转子故障诊断

针对故障特征集维数过高导致故障难以辨识的问题,提出一种基于半监督邻域自适应正交判别投影(SSNA-ODP)的转子故障诊断方法。提取原始振动信号的时域、频域、时频域特征构造混合域特征集;利用SSNA-ODP方法对混合域特征集进行维数约简,提取出有利于实施分类的低维特征子集;输入到支持向量机(SVM)中进行模式识别。典型故障数据样本的应用验证情况表明,该方法能够改善ODP方法在有标记样本较少时的泛化能力和使用全局统一邻域参数的数据流形特征,从而有效提高了故障识别的准确率。     

基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究

为了有效地从非线性、非平稳性的风电齿轮箱故障信号中提取有用的信息成分,将微分经验模式分解、局部时频熵和支持向量机相结合,提出了一种微分经验模式分解局部时频熵和支持向量机的风电齿轮箱故障诊断方法。采用自适应多尺度的数学形态学对故障信号进行滤波;将滤波后的信号进行微分经验模式分解,获得齿轮振动信号的若干IMF分量;把每一个IMF进行分块,计算每一块的局部时频熵值;把局部时频熵值作为支持向量机的输入参数,通过支持向量机进行故障识别与诊断。实验结果表明,基于微分经验模式分解局部时频熵和支持向量机相结合的方法能够对风电齿轮箱故障信号进行准确有效地识别分类。     

基于变分模态分解和SVM的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况,提出了基于变分模态分解(Variational mode decomposition,VMD)与支持向量机(Support vector machine,SVM)相结合的滚动轴承故障诊断方法。该方法融合了变分模态分解和支持向量机的优势,通过变分模态分解将滚动轴承振动信号分解成若干个本征模态函数分量,轴承发生不同故障时,不同本征模态函数内的频带能量会发生变化,从包含有主要故障信息的模态分量中提取能量特征作为SVM的输入,判断轴承的工作状态和故障类型。试验结果表明,该方法在少量样本情况下仍能有效地对轴承的工作状态和故障类型进行分类。     

基于关联向量机的齿轮故障检测方法研究

针对故障检测中缺少故障样本的问题,提出一种基于关联向量机的故障检测方法.构造一个可分性评价指标进行特征选择,在此基础上将单值分类方法应用在齿轮箱故障状态检测中,只需利用正常运行的数据信号,就可以检测齿轮的运行状态.实验分析表明,关联向量机与传统的支持向量数据描述方法相比,具有较好的分类能力和较高的计算效率.     

基于VMD和样本熵的高压断路器故障特征提取及分类

提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和样本熵的高压断路器振动信号的特征向量提取方法,并采用支持向量机(Support Vector Machine,SVM)对故障类型进行识别。将断路器振动信号进行滤波处理,对信号进行变分模态分解,利用分解得到的固有模态函数分量(Intrinsic Mode Function,IMF)表征断路器各个振动事件,计算其样本熵作为特征向量,利用SVM对断路器不同运行状态进行分类识别。仿真信号表明,VMD对于处理瞬态非周期性的振动信号具有优越的分解特性。利用该方法在实验室条件下对四类故障状态进行特征提取和识别,对比结果表明应用该方法能有效提取高压断路器的故障特征并准确地识别出故障类型。     

基于NIC-DWT-WOASVM的齿轮箱混合故障诊断

由于齿轮箱中振动信号的复杂性和非平稳性,致使齿轮箱混合故障诊断工作具有一定难度。针对这一问题提出基于NIC-DWT-WOASVM的齿轮箱混合故障诊断方法。首先通过窄带干扰消除(Narrow Band Interference Canceller, NIC)滤除原始信号中齿轮啮合和转轴等窄带干扰信号,接着对信号进行离散小波变换(Discrete Wavelet Transform, DWT),重构小波系数得到小波分量,提取分量的方差作为特征参数构成特征矩阵样本。针对传统优化支持向量机收敛速度慢及容易局部最优等问题,提出鲸鱼算法优化的支持向量机(Whale Optimization Algorithm Support Vector Machine, WOASVM),运用训练样本对WOASVM进行训练得到优化分类模型,将测试样本输入到优化模型中得到诊断结果。为验证方法的有效性,开展了变工况下齿轮箱混合故障实验,通过实验分析及与其他方法的比较,证明方法对于齿轮箱混合故障诊断是有效的。     

中心修正投影结合IGWO-SVM的滚动轴承故障分类方法

针对滚动轴承故障分类中全局信息损失和模态识别精度低的问题,提出一种中心修正投影算法(center modified projection, CMP)结合改进的灰狼算法(improved grey wolf optimization, IGWO)优化支持向量机(support vector machine, SVM)的滚动轴承故障分类方法。首先,融合样本高维空间全局分布信息和样本局部信息提出CMP降维算法,利用CMP的信息保留能力,实现轴承信号特征矩阵降维;其次借助钟形收敛曲线不同阶段下降速度的差异性特点以及前进式搜索和包围式搜索模式优化灰狼算法收敛性能,并利用IGWO实现SVM参数的自主寻优;最后采用优化后的SVM进行轴承故障分类识别。该方法充分结合了CMP的特征信息保留能力和SVM的小样本分类性能,有效减弱特征冗余成分对诊断结果的影响。多组对比试验表明,所提方法能有效的去除冗余成分,较好的保留样本空间分布信息,具有较好的分类性能。     

基于深度学习特征提取和WOA-SVM状态识别的轴承故障诊断

针对滚动轴承故障诊断问题,利用深度学习神经网络、鲸鱼优化算法(WOA)和支持向量机(SVM)等技术,提出了一种基于深度学习特征提取和WOA-SVM状态识别相结合的故障诊断模型。先通过深度学习自适应提取故障频谱特征,并将其与数理统计方法提取的时域特征相融合,再通过WOA-SVM对融合后的联合特征进行故障诊断。该模型在对滚动轴承试验台的故障诊断中实现了不同工况下多种故障类型的可靠识别,并且在一定程度上提高了故障分类的准确性。为了验证WOA-SVM在深度学习提取特征的轴承故障识别中的可行性和有效性,对比了粒子群支持向量机和遗传支持向量机,结果表明WOA-SVM具有较高的收敛精度和收敛速度。     

基于GAMP和EEMD的滚动轴承故障诊断研究

针对实验中采集到的滚动轴承的振动信号具有成分复杂和较强的非平稳性等特点,提出采用基于遗传算法优化的匹配追踪算法(GAMP)和总体平均经验模式分解(EEMD)相结合的方法,实现对滚动轴承振动信号的处理与分析。首先,利用GAMP算法将滚动轴承振动信号线性展开成能够较好的匹配该信号特征结构的一系列高斯函数,达到消除干扰噪声锁定信号的局部特征的目的;然后,针对GAMP消噪后的振动信号中可能存在的虚假频率成分或不连续的分量,利用EEMD方法来予以剔除,通过傅里叶变换将处理后的振动信号从时域转化到频域,提取出故障振动信号的故障频率;最后,采用支持向量机(SVM)对滚动轴承的正常和故障振动信号进行分类,实现了对滚动轴承的故障诊断。     

基于混沌理论和相关向量机的自动机故障诊断

针对自动机振动信号的非线性与短时冲击特性,提出一种基于混沌理论和相关向量机(relevance vector machine,RVM)相结合的自动机故障诊断方法。首先,计算每一组自动机振动信号的最大Lyapunov指数、关联维数、Kolmogorov熵和相对关联距离熵共4个混沌参数并组成特征矩阵,从而表征自动机状态信息。然后,将特征矩阵输入RVM中进行分类识别,判断故障类型。自动机故障诊断实例表明,通过提取自动机振动信号的4个混沌参数可以实现其运行状态信息表征,并且RVM能够较精确地识别自动机的常见故障;此外,通过与支持向量机(support vector machine,SVM)的故障诊断结果进行对比,验证RVM分类模型的优势。     

内禀模态特征能量法在滚动轴承故障模式识别中的应用

针对滚动轴承振动信号和状态信息非线性映射关系,提出一种基于内禀模态函数（IMF）特征能量的轴承特征向量提取方法,并与支持向量机（SVM)相结合实现轴承的故障识别。该方法对滚动轴承振动信号进行经验模态分解（EMD）得到若干能反映轴承故障信息的IMF分量,选取包含主要信息的IMF能量作为振动信号的特征向量,并将其输入到SVM分类器中实现轴承故障模式识别。对滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障进行仿真试验,结果表明,该方法能够有效、准确地识别轴承故障。