共查询到18条相似文献,搜索用时 965 毫秒
1.
对风机齿轮箱轴承故障诊断进行了研究,提出一种基于分形维数和遗传算法支持向量机(GA-SVM)相结合的故障诊断算法。基于常用的时域特征参数作为支持向量机的识别参数,引入分形维数特征参数来提升支持向量机的识别精度。提出了基于遗传算法(GA)的支持向量机参数优化的模型,通过GA的寻优自动获得最优的支持向量机参数。采用某风场的风电机组齿轮箱轴承数据进行故障诊断,实验表明,所提出的GA-SVM模型很好地解决了参数选择的问题,同时基于分形维数的特征参数也提高了风电机组轴承故障的识别准确率。 相似文献
2.
提出了基于支持向量机的模拟电路软故障诊断新方法.该方法提取电路的频域响应为故障特征,利用支持向量机对故障进行识别分类.支持向量机具有结构简单、泛化能力强的特点,对小样本分类具有良好的识别效果.以Sallen-Key滤波电路为诊断例,实验结果表明该方法故障诊断准确率大于99%. 相似文献
3.
转子-滚动轴承耦合系统的转静碰摩故障分析与智能诊断 总被引:4,自引:2,他引:2
针对航空发动机转静碰摩故障诊断问题,建立了含不平衡-碰摩故障的转子滚动轴承耦合系统动力学模型.在模型中,充分考虑了滚动轴承的间隙、非线性赫兹接触以及变柔性VC(Varying compliance)振动.首先运用数值积分获取系统响应,进行碰摩故障分析,并得到了大量的碰摩故障仿真样本;其次利用支持向量机从大量样本中获取碰摩故障知识;然后利用转子实验器获取碰摩故障实验样本;最后利用训练好的支持向量机对碰摩故障实验样本进行智能诊断,最高识别率达到了91%. 相似文献
4.
5.
6.
林鹏飞陶继忠 《真空科学与技术学报》2020,(1):33-39
为了实现准确可靠的涡轮分子泵故障诊断,提出了一种基于多样性特征和多源信息的分子泵故障诊断方法。在分子泵实验台上采集到分子泵不同故障下多个测点的振动信号,经过预处理后随机分为训练集和测试集。首先通过改变激活函数形成多个去噪自编码器,之后利用生成的深度自编码器对数据集进行多样性特征提取,最后将提取到的特征用于训练支持向量机(SVM)进行故障分类。实验结果表明该方法可以实现分子泵的准确故障诊断,准确率达到98.9%,而且在训练集不平衡或高背景噪声情况下依旧表现良好。 相似文献
7.
8.
针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。 相似文献
9.
《真空科学与技术学报》2020,(1)
为了实现准确可靠的涡轮分子泵故障诊断,提出了一种基于多样性特征和多源信息的分子泵故障诊断方法。在分子泵实验台上采集到分子泵不同故障下多个测点的振动信号,经过预处理后随机分为训练集和测试集。首先通过改变激活函数形成多个去噪自编码器,之后利用生成的深度自编码器对数据集进行多样性特征提取,最后将提取到的特征用于训练支持向量机(SVM)进行故障分类。实验结果表明该方法可以实现分子泵的准确故障诊断,准确率达到98.9%,而且在训练集不平衡或高背景噪声情况下依旧表现良好。 相似文献
10.
《振动与冲击》2019,(10)
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。 相似文献
12.
13.
14.
基于支持向量机的转子振动信号故障分类研究 总被引:7,自引:0,他引:7
转子在运行过程中的振动加速度信号包含了转子运行状态大量信号,瞬态过程中故障加速度信号特征的提取及其识别对于旋转机械故障诊断是十分重要的。针对在升降速运行时的故障特征数据样本有限而制约有效智能诊断的问题,探讨和提出了基于支持向量机的加速度信号故障诊断方法。实验分析结果表明:该方法可实现转子的振动加速度信号对转子在升降速运行时的多故障的识别和诊断。 相似文献
15.
16.
Vepa Atamuradov Kamal Medjaher Fatih Camci Noureddine Zerhouni Pierre Dersin Benjamin Lamoureux 《Quality and Reliability Engineering International》2019,35(4):1081-1099
In this paper, we propose an offline and online machine health assessment (MHA) methodology composed of feature extraction and selection, segmentation‐based fault severity evaluation, and classification steps. In the offline phase, the best representative feature of degradation is selected by a new filter‐based feature selection approach. The selected feature is further segmented by utilizing the bottom‐up time series segmentation to discriminate machine health states, ie, degradation levels. Then, the health state fault severity is extracted by a proposed segment evaluation approach based on within segment rate‐of‐change (RoC) and coefficient of variation (CV) statistics. To train supervised classifiers, a priori knowledge about the availability of the labeled data set is needed. To overcome this limitation, the health state fault‐severity information is used to label (eg, healthy, minor, medium, and severe) unlabeled raw condition monitoring (CM) data. In the online phase, the fault‐severity classification is carried out by kernel‐based support vector machine (SVM) classifier. Next to SVM, the k‐nearest neighbor (KNN) is also used in comparative analysis on the fault severity classification problem. Supervised classifiers are trained in the offline phase and tested in the online phase. Unlike to traditional supervised approaches, this proposed method does not require any a priori knowledge about the availability of the labeled data set. The proposed methodology is validated on infield point machine sliding‐chair degradation data to illustrate its effectiveness and applicability. The results show that the time series segmentation‐based failure severity detection and SVM‐based classification are promising. 相似文献
17.
基于移动最小二乘逐点逼近思想,移动权被引入到最小二乘支持向量机的误差变量中,得到新算法的模型.此外,证明了用移动最小二乘支持向量机作函数估计与在特征空间中用移动最小二乘法得到的解是一致的,揭示了移动最小二乘支持向量机所选择的核函数相当于移动最小二乘法所选择基函数组.数值试验与实例进一步验证所提出方法的优越性. 相似文献