基于IGA-SVM的汽轮机故障诊断研究

针对支持向量机相关参数很难预先确定合适的取值,而这些相关参数又对其分类精度有着很大影响的问题,本文利用改进的遗传算法(IGA)对支持向量机的相关参数进行了优化.将改进遗传算法优化的支持向量机(IGA-SVM)算法应用于汽轮机故障诊断中,并与标准遗传算法优化的支持向量机(GA-SVM)算法的识别结果进行比较.结果表明,IGA-SVM算法对故障数据能够得到较优的分类辨识结果,对汽轮机的故障诊断有显著的指导作用.     

基于优化支持向量机的航空发动机故障诊断研究

航空发动机是一个极其复杂的系统,且运行环境恶略,通常多种故障同时出现.本文提出了一种优化支持向量机算法,利用遗传算法对支持向量机的参数进行优化.本文利用四种航空发动机常见故障的模拟样本对神经网络、支持向量机和优化支持向量机三种方法进行训练和测试.     

基于支持向量机的故障模式识别研究

支持向量机为因缺乏大量故障样本受到制约的智能诊断提供了一个全新的途径.从振动信号中提取特征向量作为支持向量机的输入,对滚动轴承故障模式进行识别.实验表明,在含噪声条件下支持向量机对滚动轴承故障模式仍然具有优秀的分类性能.     

PSO-LSSVM的核电站破口故障程度评估方法

为了保证从核电站大量数据中有效地挖掘信息以及故障下运行状态的智能表征,本文提出一种基于粒子群优化和最小二乘支持向量机的系统级故障程度评估方法,用于完善故障诊断系统的功能.针对最小二乘支持向量机算法的超参数选取对于回归精度影响较大问题,应用基于粒子群优化算法借助智能搜索策略来优化模型的超参数.基于最优超参数的回归模型能够提取系统级参数间的约束关系,以进行实时故障程度的评估.性能测试表明:采用提出的方法能够有效评估核电站系统级故障的程度,相较于粒子群优化-支持向量机以及最小二乘支持向量机算法具有更高的回归精度,且抗噪性能良好,保证了故障诊断系统的精度及可靠性.     

采用GWO优化SVM的燃气轮机气路故障诊断

将灰狼优化算法和支持向量机算法作为理论指导,并采用灰狼优化算法对支持向量机算法进行优化,以实现燃气轮机故障类型的分类。将灰狼优化算法与遗传算法优化支持向量机方法和粒子群算法优化支持向量机方法进行对比,结果表明,通过灰狼算法优化支持向量机的方法对燃气轮机故障分类的准确率要高于遗传算法优化支持向量机算法和粒子群算法优化支持向量机的故障分类方法。     

基于Fisher比率与SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断中普遍存在的小样本学习问题,采用支持向量机实现轴承故障的模式识别.为了解决时域统计参数对于轴承故障的多分类效果较差的问题,引入小波包分解(wavelet packet decomposition,WPD)技术,提取振动信号各频带的能量系数构造特征向量,并采用Fisher比率法对特征向量进行优化选取;然后利用支持向量机(support vector machine,SVM)进行故障模式识别,并与小波包分解及时域统计参数的分类效果进行对比分析.结果表明:支持向量机是实现轴承故障模式识别的一种有效手段;本方法的分类效果及时间效率明显优于传统的多维时域指标和小波能量系数分类方法;将Fisher比率法与SVM相结合可以提高轴承故障诊断的准确率.     

基于粗糙集和支持向量机的航空液压泵故障诊断

针对航空液压泵故障样本有限、故障数据同时具有不完备和冗余的特点,分析了液压泵柱塞球头游隙增大故障的原因和特点,对比了故障泵相对于正常泵的频域信号特征,提出了一种基于粗糙集和支持向量机的液压泵故障诊断方法.首先利用粗糙集对故障特征变量进行约简,去除冗余信息,在保证分类质量不变的前提下寻求描述系统故障特征的最小属性集合;然后再将经过粗糙集约简后的数据样本用于训练支持向量机来进行小样本的故障诊断.试验结果表明:采用粗糙集和支持向量机相结合的诊断方法适合于航空液压泵的高精度故障诊断.     

基于最小二乘支持向量机的黏着状态辨识

针对重载机车黏着状态辨识中分类准确率不高的问题,提出采用布谷鸟遗传算法对最小二乘支持向量机的参数进行优化,并采用交叉验证原理提高该模型的整体泛化性能。首先,采用布谷鸟算法寻找惩罚因子和核参数的初始值;然后,采用遗传算法对最小二乘支持向量机进行训练,从而得到具有最佳参数的最小二乘支持向量机的分类模型。该分类模型将重载机车黏着状态分为正常、故障征兆、微小故障和严重故障4个状态。实验结果表明,提出的最小二乘支持向量机模型在黏着状态辨识中的分类准确率高达94.59%,高于极限学习机的分类准确率(84.61%),证明布谷鸟遗传算法能够有效提高最小二乘支持向量机的分类准确率。     

基于线性判别分析和分步机器学习的变压器故障诊断

为了改善当前变压器故障诊断在特征量选取和使用单一诊断模型进行故障诊断上的不足,提高变压器故障诊断的准确率和效率,提出基于线性判别分析（LDA）的特征选取方法,建立基于分步机器学习的诊断模型. 该模型选取16组油中溶解气体体积分数比值的多特征参数,运用线性判别分析对参数进行降维作为输入特征向量;运用概率神经网络对变压器故障做出初步诊断,区分出易混淆故障;使用基于灰狼群算法优化的支持向量机对易混淆故障做进一步的区分. 最终实验诊断准确率为97.27%,诊断时间为4.87 s. 与单一机器学习模型相比,所提出的模型不仅具有更高的准确率,还具有更高的效率. 实例分析表明,本研究方法能有效弥补单一机器学习的缺陷,为故障样本有限情况下的电力变压器故障诊断提供参考.     

基于GWO-SVM的石化旋转机械轴承故障诊断

针对传统的无量纲指标在不同故障之间存在数据重叠，导致故障诊断准确率低的问题，提出了一种基于互无量纲指标和灰狼算法优化支持向量机(GWO-SVM)的故障识别模型。利用灰狼算法强大的全局搜索能力，对支持向量机关键参数惩罚因子和核函数参数进行寻优，并采用广东省石化装备故障诊断重点实验室多级离心风机轴承数据进行验证。实验证明:GWO-SVM能精确地对轴承故障类型进行分类，同时GWO-SVM相对于单纯的SVM模型和遗传算法优化SVM模型具有更短的算法运行时间和更高准确率，平均准确率高达90%。     

基于KPCA和SVM的火箭发动机试验台故障诊断方法

为了解决液体火箭发动机试验台的故障诊断问题,提出了一种基于核主元分析(KPCA)特征提取和支持向量多分类机(SVM)的故障诊断方法,该方法首先利用核主元分析对试验台标准故障样本进行特征提取,通过特征分析,建立适合于试验台故障状态识别的层次多分类支持向量机,并对其进行训练,然后将试验数据在主元上投影,输入到训练好的支持向量多分类器,对试验台故障状态进行识别.该方法充分利用了核主元分析强大的非线性特征提取能力和支持向量分类机良好的小样本泛化特性,解决了试验台故障诊断中的小样本、非线性模式识别问题.对试验台的试验结果表明,该方法是有效的、可行的.     

GASA—SVM改进算法及其在柴油机供油系统故障诊断中的应用

针对目前支持向量机（SVM）参数选择的盲目性,结合遗传算法GA的并行搜索和模拟退火算法sA的概率突跳特性,提出一种改进的基于遗传退火算法（GASA）混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据,归一化处理后作为诊断模型的特征值,建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明：应用GASA．SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型,能够有效进行柴油机供油系统的故障诊断。     

模拟电路故障的支持向量机集成诊断新方法

为了解决支持向量机应用于多类别模拟故障诊断时泛化性能较低导致诊断精度难以提高的问题,提出了一种基于支持向量机集成的模拟电路故障诊断新方法.首先,通过将本次迭代中不可分区域的样本加入训练集来构造下一次迭代的训练集,以提高基分类器间的差异性;然后选择分类精度不低于平均分类精度的基分类器进行集成,以提高整体诊断精度.实验表明,该方法应用于线性及非线性模拟电路均取得了良好的诊断效果.     

基于粗糙集和支持向量机的汽轮机组故障诊断

提出一种应用粗糙集(RS)和支持向量机(SVM)对汽轮发电机组故障诊断的模型。将采集到的振动信号进行傅立叶变换得到频谱特征,然后使用粗糙集进行知识约简去除冗余属性,得到决策表,将决策表作为支持向量机分类器的训练样本。通过学习,使构建的SVM机器能反映属性特征和故障类型的映射关系以达到故障诊断的目的。测试结果表明,应用粗糙集约简和SVM机器学习是一种有效的诊断方法,它能使诊断速度加快,而且诊断结果简单有效,有推广应用的价值。     

基于支持向量机的伺服机构舵反馈电压异常诊断方法

提出了一种基于支持向量机（support vector machine,SVM）的伺服机构舵反馈电压异常诊断方法。通过对测量数据进行经验模态分解（empirical mode decomposition,EMD）,获得各固有模态分量（intrinsic mode functions,IMF）,并将其作为特征提取出来,然后构造多类支持向量分类机进行训练与故障模式识别。仿真分析证明,该方法能有效地应用于伺服机构舵反馈电压异常诊断。     

基于支持向量机的提升机制动系统故障诊断

针对提升机制动系统中常见的卡缸故障，利用支持向量机（SVM）这一新的机器学习方法进行智能诊断．在某一闸系统正常时获得2组信号，卡缸时获得6组信号，采用3层小渡包对闸瓦间隙-时间信号进行分解，以各频带的能量为元素构造特征向量，形成故障诊断样本，在Matlab6．5环境下用SVM工具箱进行编程，建立SVM故障分类器并时测试样本进行测试，从而实现提升机制动系统卡缸故障诊断．实验结果表明，在不到0．1S时间内，就建立了SVM故障分类器，该分类器对测试样本的诊断正确率达到了100%；当训练样本由6组减少至4组时，SVM故障分类器仍可以有效地实现对卡缸故障的诊断．因此，SVM方法对于少样本的故障诊断有较强的适应性，非常适合于矿井提升机这种安全运行要求很高，但又不具备大量故障样本的系统．     

Gear Fault Diagnosis Based on Rough Set and Support Vector Machine

By introducing Rough Set Theory and the principle of Support vector machine, a gear fault diagnosis method based on them is proposed. Firstly, diagnostic decision-making is reduced based on rough set theory, and the noise and redundancy in the sample are removed, then, according to the chosen reduction, a support vector machine multi-classifier is designed for gear fault diagnosis. Therefore, SVM' training data can be reduced and running speed can quicken. Test shows its accuracy and efficiency of gear fault diagnosis.     

神经网络在机械设备故障诊断中的应用研究

提出了一种基于RBF神经网络的机械设备故障诊断方法，详细讨论了RBF神经网络的结构、训练算法及用于机械设备故障诊断的步骤，最后通过以柴油机系统的故障诊断为例，验证了此方法的可行性。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

SVM模式识别技术及在机械故障诊断中的应用进展

支持向量机(Support Vector Machines,SVM)是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性.为在机械故障诊断中更好地运用该方法,从基于支持向量机理论的模式识别技术和机械故障诊断中应用两方面,综述了近年来支持向量机国内外研究应用现状,分析了技术特点、存在问题、解决方案及其在机械工程领域应用前景.