基于支持向量机的机械多故障智能分类方法研究

典型故障数据样本的严重不足是制约机械故障智能诊断技术发展的主要原因之一。提出了一种基于支持向量机的机械故障诊断新方法,综合了单值和多值支持向量机分类算法,在此基础上,建立了多故障分类器。采用该方法对转子实验台典型的多故障数据进行分类,结果表明:只需少量的时域数据样本来训练分类器,即可实现多故障的识别与诊断,克服了已有方法需要对原始数据进行预处理的困难,可更方便地应用于机械设备多分类故障诊断领域。     

SVM在煤矿机电设备故障诊断中的应用

针对煤矿大型机电设备故障诊断与维修过程中存在故障数据少、干扰大的非线性特征,提出了采用支持向量机进行故障诊断的方法。建立了系统故障诊断分类模型,采用拉格朗日函数得到了最优解。通过对刮板输送机传动部温度故障数据的参数估计与分类研究,结果表明支持向量机故障诊断效果较好。     

基于球结构支持向量机的液压泵故障诊断研究

针对目前故障诊断中难以获得大量故障数据样本的不足,提出球结构支持向量机故障分类算法,并运用其构成多故障分类器进行YB-6叶片泵的故障识别。试验表明该方法只需要少量的时域故障数据样本来训练分类器,不必进行信号预处理便可实现多故障的识别和诊断,在少样本情况下比BP神经网络具有故障分类能力强的优点。     

基于支持向量机的故障诊断方法研究

故障样本缺乏是制约智能故障诊断发展的重要原因。支持向量机是近10 a来提出的一种基于小样本的统计学习方法。将支持向量机分类算法用于滚动轴承的多类故障分类并与RBF神经网络进行对比研究。实验表明,在有限样本条件下,支持向量机算法比RBF神经网络具有更好的分类性能。     

基于次序二叉树SVM的矿井提升机制动系统故障诊断

介绍几种传统的支持向量机(SVM),提出了一种基于次序二叉树支持向量机的多类分类算法。该算法采用样本分布半径和分布距离估算各类别样本在高维特征空间中的分布情况,更精确地确定其在特征空间中的分类区域。利用该算法对提升机制动系统的故障诊断进行仿真分析,结果表明,该方法具有诊断速度快且故障识别率高的特点。     

基于支持向量机的矿用电机故障诊断

提出一种基于电流信号频谱分析和支持向量机(SVM)的矿用感应电机早期故障诊断方法。对定子电流采样后,经FFT变换后提取故障特征量作为支持向量机的输入,基于1对1算法和混合矩阵组合策略构造了多故障SVM分类,对不同类型的故障进行诊断和分类。实验结果表明,该方法能够有效解决电机故障诊断中小样本集、非线性、高维数时的故障分类问题,提高电机故障诊断的准确性。     

双谱和支持向量数据描述相结合的机械故障诊断研究

针对机械智能监测和故障诊断中故障样本缺乏的问题,提出了一种支持向量数据描述和用双谱提取故障特征值相结合的机械故障诊断方法。该方法可以只利用正常状态数据样本来建立单值分类器,判别机器的运行状态。高阶谱能有效地抑制噪声,对不同类型的故障,高阶谱存在明显差异。采用双谱对角切片对原始数据信号进行特征提取,将特征值作为SVDD的输入参数进行分类。运用该方法在滚动轴承的故障诊断中。     

基于IGWO优化LSSVM的采煤机截割部齿轮箱故障诊断

为准确诊断采煤机截割部齿轮箱故障,提出一种新型故障诊断模型。振动信号经变分模态分解得到本征模态函数(IMF),计算IMF分量的样本熵构造特征向量;采用改进灰狼算法(IGWO)优化最小二乘支持向量机(LSSVM)模型的高斯径向基核函数参数和惩罚因子,建立IGWO-LSSVM故障诊断模型进行采煤机截割部齿轮箱故障识别。实验数据对比表明,IGWOLSSVM的采煤机截割部齿轮箱故障诊断模型故障分类性能更好,准确率更高。     

基于EEMD和SVM风机故障诊断的研究

针对如何提高煤矿主通风机故障诊断的准确率的问题,提出了一种基于集合经验模态分解(EEMD)和支持向量机(SVM)的风机故障诊断模型。该模型通过分解振动信号得到模态函数,提取能量熵作为故障诊断的特征值,使用粒子群优化算法(PSO)优化过的支持向量机模型诊断故障,其准确率已从87.5%上升到98.75%,实验表明,该模型的故障诊断正确率比较理想。     

基于支持向量机的旋转机械非线性故障诊断研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一 ,支持向量机(SVM)是一种基于统计学习理论 (SLT)的机器学习算法 ,它能在训练样本很少的情况下达到很好的分类效果 ,从而为故障诊断技术向智能化发展提供了新的途径。介绍了支持向量机分类算法 ,探讨了该算法在故障诊断领域中的应用 ,并利用不同的核函数与BP神经网络分类方法进行了对比研究。结果表明 ,SVM方法在小样本情况下的分类效果优于BP神经网络。     

粗糙集和LSSVM在设备故障诊断中的应用

为了提高旋转设备故障诊断的准确率,提出了基于粗糙集和最小二乘支持向量机(LSSVM)的旋转设备故障诊断方法,讨论了如何进行数据选择、离散及约简方法,用粗糙集提取出旋转设备故障诊断的关键征兆属性,降低数据集的维数将约简属性后的数据集送入最小二乘支持向量机进行故障分类训练。仿真结果表明:采用此方法的故障识别率优于PCA-LSSVM法,分类时间也明显优于LSSVM分类方法。     

刮板输送机故障诊断方法研究

为了提高刮板输送机故障诊断准确度,降低事故发生率,分析了刮板输送机常见的故障,研究了基于支持向量机的刮板输送机故障分类,介绍了刮板输送机故障数据处理方法以及基于SVM的故障诊断流程,并对支持向量机参数进行了选择,采用网格搜索交叉法得到模型的最佳参数模型,使用该模型对刮板输送机故障数据进行预测。研究表明,采用支持向量机和网格搜索交叉法相结合的方法,可以对刮板输送机故障进行有效诊断。     

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。     

基于最近邻数据描述法的机械故障诊断技术研究

针对机械智能诊断中缺少故障样本的问题,提出了单分类方法-最近邻数据描述法。在机械故障诊断中,这种方法仅依靠正常运行时的数据信号,不需要故障数据就可以监测机器的运行状态。实验结果表明,在缺少故障样本的情况下,该方法具有理想的分类能力。     

分布式电源配电网络系统故障诊断方法优化设计

针对分布式配电网故障诊断过程中因信号丢失导致的诊断准确率下降问题,以分布式电源配电网络故障定位拓扑结构为基础,采集不同时段不同区段故障发生后的配电网络节点信息,形成故障信息数据集群,并对其数据特性进行分析,提取故障特征量,最后,采用粒子群寻优算法对支持向量机模型参数进行参数寻优,在Matlab仿真平台构建了分布式配电网络故障诊断算法模型,其中对区域故障信号因子进行反馈校正,剔除非区域故障的冗余计算。仿真结果表明,该故障诊断策略提升了配电网络的故障诊断运算速度和准确率。     

基于FRS—SVM采煤机液压系统故障诊断的研究

结合模糊粗糙集(FRS)理论和支持向量机(SVM)分类机理,提出了一种新的液压系统故障诊断方法。应用FRS理论处理不确定、不完备信息的属性约简能力,剔除冗余信息,获得具有代表性的特征信息,再利用SVM的推广能力,对小样本数据进行故障诊断。通过此方法对采煤机牵引部液压系统的故障诊断仿真实验,结果证明大大提高了诊断精度和效率。