基于EEMD特征提取的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性与非线性的特点,提出将集合经验模态分解（ensemble empirical mode decomposition,EEMD）方法用于轴承信号处理.滚动轴承故障诊断的重要环节是特征提取,其直接关系到轴承故障诊断的正确率.因此,将熵知识应用到轴承特征提取步骤中,应用奇异熵与能量熵知识,提出一种峭度值与以上两种熵进行特征融合的特征提取方法,完成滚动轴承故障诊断.该方法首先对滚动轴承的振动信号进行EEMD模态分解为若干个本征模态函数（intrinsic mode function,IMF）之和,对每个含有故障特征的IMF进行奇异熵、能量熵与峭度值求取;其次,将求得的三种数据输入核主元分析（kernel principal component analysis,KPCA）中进行特征融合与特征提取;最后,将提取的特征作为支持向量机（support vector machine,SVM）的输入参数进行故障分类.试验结果表明此方法能够准确有效地识别出滚动轴承的工作状态,实现了滚动轴承故障分类的自动化.     

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%.     

基于GA-LSSVM和BP神经网络的柴油发动机状态预测方法

为提前掌握装甲车辆发动机运行状态变化,避免安全运行事故,并为装备的视情维修提供数据支撑,本文提出一种基于BP神经网络和GA-LSSVM的柴油发动机状态预测方法。采用遗传算法对最小二乘支持向量机(least squares support vector machine,LSSVM)的惩罚系数C和核函数寻优,对发动机状态特征信号进行回归预测,利用BP神经网络对不同状态下的运行特征样本进行训练,构建柴油发动机状态评估模型,对发动机状态预测评估,并通过实例进行分析验证。验证结果表明,该算法所需训练样本少,预测精度高;该模型对发动机状态参数变化的预测在3步内具有较高准确性,最大平均误差为7.92%,一步预测最大误差约为1.69%,具有良好的发动机状态预测评估效果。该研究对装甲车发动机的安全运行具有重要意义。     

基于健康状态退化的设备可靠度预测模型

设备可靠度预测在设备的维修管理中扮演着重要的角色,有效的设备故障预测对降低设备维修费用、停机时间或运行风险都起到至关重要的作用。本文在分析设备状态数据的基础上,通过引入支持向量回归机,建立了基于退化数据的预测模型,并将该模型用于发动机可靠度的预测。     

基于组合核函数支持向量机的人脸识别

利用K-L变换首先对人脸图像进行特征参数提取,再利用支持向量机进行识别。为了得到学习能力和泛化能力较好的核函数,根据核函数性质,将局部核函数和全局核函数线性组合成新的核函数-组合核函数,采用Cross-Validation方法对其参数和组合系数进行优化选择;将该核函数应用于支持向量机中,并对YALE人脸库和ORL人脸库进行实验。仿真结果验证了该核函数的有效性。与普通核函数的支持向量机的比较实验表明:该组合核函数的支持向量机优于普通核函数的支持向量机。     

一种混合核函数支持向量机算法

提出一种基于混合核函数的支持向量机算法.首先证明了常用核函数的非负线性组合也是满足Mercer条件的核函数.然后通过最小化衡量二次损失函数支持向量机泛化能力的RM界来进行各子核函数参数、混合核函数组合系数以及惩罚系数的选取.仿真实验表明,基于混合核函数的支持向量机的泛化性能优于基于单一核函数的支持向量机.     

结合狄利克雷过程和连续隐马尔科夫模型的滚动轴承性能退化评估

针对隐马尔科夫模型(Hidden Markov model,HMM)定义中状态数必须预先设定的不足,提出了一种基于狄利克雷过程(Dirichlet process,DP)和连续隐马尔科夫模型(Continuous hidden Markov model,CHMM)的滚动轴承性能退化评估方法。该方法基于DP扩展混合模型(Dirichlet process mixture model,DPMM)良好的聚类特性和分层狄利克雷过程(Hierarchical Dirichlet process,HDP)的分层共享原理,利用多组状态特征值,获得了轴承的运行状态数,解决了CHMM模型结构设置的问题,实现了滚动轴承运行中的退化状态识别和性能评估。利用美国USFI/UCR智能维护中心轴承全寿命试验进行了应用研究,并与基于Kolmogorov-Smirnov(K-S)检验的滚动轴承性能退化评估进行了对比。结果表明,结合狄利克雷过程和连续隐马尔科夫模型的算法能有效地监测滚动轴承运行中的不同退化状态,为基于状态的设备维修提供了参考。     

一种新的自适应组合核函数

核选择是支持向量机研究中的核心问题之一,不同的核函数将产生不同的分类效果.研究了核参数和误差惩罚参数对支持向量机推广能力的影响,然后根据局部核函数与全局核函数的各自优点,提出了一种新的自适应组合核函数,并将该核函数应用于支持向量机中.最后,利用该自适应核进行不同领域数据的实验,实验结果表明由该核函数建立的支持向量机具有更好的预测能力.     

基于PCA-SVDD的滚动轴承性能退化评估

针对滚动轴承早期微弱故障难以及时发现的问题,提出一种基于主成分分析(PCA)和支持向量数据描述(SVDD)的滚动轴承性能退化评估模型. 使用主成分分析法对滚动轴承振动信号时域和频域的特征指标进行加权融合,构建一个可以有效全面描述滚动轴承运行状况的综合特征指标,将正常状态样本的综合特征指标输入SVDD模型完成评估模型的构建,通过设置健康报警阈值判定轻微故障出现时间,并采用滚动轴承全寿命试验数据进行验证. 结果表明,与以峭度指标、均方根值作为SVDD模型的特征指标输入相比,该评估模型可以更早检测到滚动轴承早期微弱故障的发生,也能更准确地描述滚动轴承整体退化程度.     

基于EMD重构和SVM的滚动轴承故障诊断方法研究

针对滚动轴承振动信号非平稳性和故障特征难以提取的问题,提出一种基于经验模态分解重构和支持向量机相结合的故障诊断方法。首先,采用经验模态分解,将滚动轴承振动信号分解成一系列固有模态函数;其次,根据伪固有模态函数剔除法选取对故障特征敏感的模态函数进行信号重构;最后,以重构信号的有效值和峭度值作为支持向量机分类器的输入来识别滚动轴承的工作状态和故障类型。试验结果表明,该方法能有效地识别和诊断出滚动轴承的运行状态和故障类型,具有很高的工程实用价值。     

基于灰色支持向量机模型的滚动轴承故障诊断与预测方法

提出基于GM(1,1)-SVM的滚动轴承故障诊断及预测方法.首先,提取滚动轴承各类故障和正常状态下振动信号的时域及频域特征值,然后,选取重要特征参数建立预测模型,进行特征值预测;最后,使用轴承各类故障特征值和正常状态特征值训练二叉树支持向量机,构造滚动轴承决策树,判别故障,实现对故障类型的分类,从而达到对轴承故障诊断,并通过预测值与支持向量机实现故障预测的目的,突破传统算法不能有效预测轴承故障的局限性.     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.     

基于EEMD降噪与非抽样提升小波包的滚动轴承故障诊断方法

针对传统小波包在诊断滚动轴承隐含故障中存在频率混叠、精度不高等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)降噪与非抽样提升小波包相融合的故障诊断方法.首先利用EEMD方法分解原始故障信号得到多个本征模态函数(intrinsic mode function,IMF)分量,然后计算各个IMF分量与原始信号间的相关系数,并与设置的相关系数阈值相比较,将小于阈值的IMF分量视为伪分量予以剔除; 对剩余的IMF分量采用峭度准则再次筛选最优IMF分量进行重构,进而实现降噪目的.为了避免传统小波包因采取抽样运算方式导致频率混叠情况,文中采用非抽样运算的提升小波包来分解降噪信号,并采用Hilbert变换进行包络解调分析得到滚动轴承的故障位置.仿真实验和滚动轴承内圈故障应用实例表明:采用EEMD分解原始故障信号,结合相关系数-峭度准则,达到了很好的降噪效果; 采用非抽样提升小波包比传统小波包具有更高的故障诊断精度,且不存在频率混叠问题.     

Reliability estimation and remaining useful lifetime prediction for bearing based on proportional hazard model

As the central component of rotating machine,the performance reliability assessment and remaining useful lifetime prediction of bearing are of crucial importance in condition-based maintenance to reduce the maintenance cost and improve the reliability.A prognostic algorithm to assess the reliability and forecast the remaining useful lifetime(RUL) of bearings was proposed,consisting of three phases.Online vibration and temperature signals of bearings in normal state were measured during the manufacturing process and the most useful time-dependent features of vibration signals were extracted based on correlation analysis(feature selection step).Time series analysis based on neural network,as an identification model,was used to predict the features of bearing vibration signals at any horizons(feature prediction step).Furthermore,according to the features,degradation factor was defined.The proportional hazard model was generated to estimate the survival function and forecast the RUL of the bearing(RUL prediction step).The positive results show that the plausibility and effectiveness of the proposed approach can facilitate bearing reliability estimation and RUL prediction.     

A reliability assessment method based on support vector machines for CNC equipment

With the applications of high technology,a catastrophic failure of CNC equipment rarely occurs at normal operation conditions.So it is difficult for traditional reliability assessment methods based on time-to-failure distributions to deduce the reliability level.This paper presents a novel reliability assessment methodology to estimate the reliability level of equipment with machining performance degradation data when only a few samples are available.The least squares support vector machines(LS-SVM) are int...     

基于相关向量机和模糊综合评价的路况预测模型

为了缓解交通拥堵、道路服务水平低、市民出行效率低等问题,提出基于相关向量机和模糊综合评价的路况预测模型. 利用遗传算法和粒子群算法作为参数寻优算法,优化组合核相关向量机. 基于Spark并行化参数寻优算法,提高模型的训练效率. 提出基于Spark并行化的遗传算法和粒子群算法,优化组合核相关向量机（SPGAPSO-CKRVM）. 使用SPGAPSO-CKRVM对车流量和车速进行预测,利用预测结果计算3个交通路况评价参数：平均车速、路段饱和度和交通流密度. 将3个参数输入到模糊综合评价模型中,通过熵值法确定高峰时段和平常时段的各指标权重系数,将路况划分为6个等级. 使用加拿大Whitemud Drive公路的真实数据进行验证,证明了该模型与传统方法相比具有更高的预测精度和扩展性,路况预测准确率达到90.28%.     

Application of support vector machine in the prediction of mechanical property of steel materials

1. IntroductionThe mechanical properties of steel materials [1] areimportant to steel quality, which is influenced by themicrostructure, chemical content, and all kinds of fac-tors in manufacturing. The main parameters of themechanical properties include …     

基于振动信号分析和支持向量机的滚动轴承故障诊断

针对滚动轴承出现故障时产生的振动信号具有非平稳信号的特点,通过小波包变换提取故障信号的特征向量,采用支持向量机分类器对提取的特征向量进行多类故障分类.通过与BP神经网络分类器进行对比研究,结果表明,在有限故障样本条件下,支持向量机分类器比BP神经网络分类器具更好的分类性能.