基于小波包和进化支持向量机的齿轮早期诊断研究

针对齿轮早期故障的特征不明显，提出了一种基于小波包和进化支持向量机的齿轮故障诊断方法，该方法既充分利用了小波包优良的时频局部化特性，又利用了支持向量机在小样本情况下出色的学习性能和良好的推广特性，以及遗传算法的全局优化能力。在齿轮试验台上的应用结果表明，经过特征提取和参数优化后，提高了支持向量机的分类能力。     

基于支持向量机的模拟电路软故障诊断

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%.     

基于核主元分析与纠错输出编码SVM的齿轮故障诊断

摘要：为提高齿轮故障诊断的准确率,提出了核主元分析和纠错输出编码支持向量机相结合的方法。首先采用基于核主元分析方法对原始样本向量进行预处理,实现对原始样本向量的降噪及冗余消除。然后采用基于纠错输出编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的整体容错能力。最后,把经过核主元处理后的新向量作为纠错输出编码支持向量机的训练及测试样本,实现对不同故障状态齿轮的识别。结果表明,该方法能够提取更有效的分类样本向量,故障诊断效果更好。
     

基于支持向量机的故障诊断方法研究

针对故障诊断中存在的故障样本不完备问题,提出一种基于支持向量数据描述(SVDD)与支持向量机(SVM)相结合的故障诊断方法。该方法首先以正常状态下的数据样本与已知故障数据样本为整体建立数据描述模型、依据已知故障数据样本建立支持向量分类机模型,然后对输入的测试数据样本采用SVDD进行拒绝与接受处理,被接受的样本再利用支持向量分类机进行具体类别诊断;被拒绝的样本则为未知故障类型。数值试验表明,该方法可以有效处理故障样本不完备的故障诊断问题,能够对已知故障类型进行准确判断,并对未知故障类型给出提示,具有一定的实践意义。     

EMD和 SVM在变速器故障诊断中的应用

齿轮故障信号具有不平稳特性,故障信号特征向量难提取,典型的齿轮故障数据样本少。针对这些问题,本文提出基于经验模式分解（ EMD）和支持向量机（ SVM）相结合的诊断方法。首先通过传感器采集得到加速度信号,再通过EMD分解将加速度信号分解成多个稳定的本征模态函数信号（ IMFs）。因为SVM能够在小样本集情况下建立决策规则,所以将IMFs的前几项作为特征向量输入SVM训练,对样本训练、测试并诊断故障。齿轮故障诊断实验结果表明：本文所提出方法诊断准确率达92.5％,可实现齿轮故障信息提取和齿轮故障的有效诊断。     

支持向量机及其在机械故障诊断中的应用

支持向量机（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。对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍,讨论了支持向量机的特点和存在的问题,展望了其在机械故障诊断的研究前景。     

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。     

基于一类超球面支持向量机的机械故障诊断研究

针对机械故障诊断中故障类样本不易获取以及样本分布不均的问题,提出了基于一类超球面支持向量机(SVM)的故障诊断方法,该方法只需要对正常类样本进行训练.试验分析了异常类样本缺失对一类超球面支持向量机性能的影响,并提出模型参数优化选择方法,以提高分类模型的推广能力.分析了不同训练结果的分类能力,并对一类超球面支持向量机与一类超平面支持向量机的分类结果进行比较,验证了前者的正确性和有效性.     

基于EMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了基于经验模态分解（empirical mode decomposition,EMD)和支持向量机的齿轮故障诊断方法。首先通过EMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(intrinsic mode function, IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可以通过计算不同振动信号的EMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机（support vector machine,SVM）,判断齿轮的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于齿轮的故障诊断。     

SVM多类分类算法及其在故障诊断中的应用

支持向量机理论最初是针对两类问题线性可分的模式识别提出来的.在故障诊断领域,多类故障诊断是经常出现的问题.介绍了几种基于支持向量机的多类分类算法的原理,在此基础上提出一种权重二叉树多类分类算法,考虑故障状态和正常状态、重要故障和次要故障、常见故障和不常见故障之间的权重不同,适当把最佳分类面往远离重要的或常见的类别一方偏离一定的距离.在小样本情况下对转子模拟试验台典型的多类故障进行诊断,结果表明它比较符合实际工程要求.     

基于分形维数和GA-SVM的风电机组齿轮箱轴承故障诊断

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。     

基于独立分量分析与相关系数的机械故障特征提取

提出一种基于独立分量分析与相关系数的机械故障特征提取方法。首先对不同工况的机械振动信号分别进行独立分量分析,获得各种工况信号的独立分量,这些独立分量中蕴含了该工况的一些内在特征;接着利用样本与不同工况信号提取的独立分量的相关系数绝对值的和作为该样本的特征,与直接利用相关系数作为特征相比鲁棒性与区分程度都得到提高;最后使用支持向量机作为分类器进行识别。分别进行了齿轮故障特征提取与轴承故障特征提取实验,实验结果表明,此方法可以很好地提取机械故障特征信息。本文方法的优点在于直接从振动信号的原始数据中进行特征提取,获取机械故障蕴含的一些特征,应用范围广,具有较高地工程应用价值。     

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EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

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。     

基于扭振分析方法的齿轮传动系统故障辨识

通过分析齿轮啮合过程的数学模型及典型故障,论证了扭振分析方法在齿轮系统故障诊断上的优越性,并提出一种测量齿轮轴上扭振信息的新方法。在此基础上搭建了齿轮传动系统,通过采用永磁旋转(角)加速度传感器检测齿轮系统各个运行状态下不同轴上的扭振信号;然后,分别对齿轮传动系统轴上的扭振信号和平台的振动信号采用小波包分解,提取各个节点的能量作为特征向量;最后,结合以径向基函数(RBF)为核函数的支持向量机(SVM)分别进行故障的辨识。实验结果表明:轴上的扭振信号在齿轮系统故障诊断上的效果要优于平台振动信号的诊断效果。     

基于声场听觉感知的变压器故障诊断方法研究

精准的变压器故障诊断方法,对于保证变压器可靠运行具有重要意义。该文提出一种基于变压器声信号并考虑人耳听觉感知的变压器故障诊断方法。首先,通过模拟变压器不同工况条件,采集变压器正常工况和不同故障条件下的噪声样本;然后,基于人耳传声集总参数模型,计算各个样本的基底膜位移响应的统计平均值(statistical mean value of basilar membrane displacement response,SMVBMDR),并构建基于SMVBMDR的特征向量;最后,基于所构建的听觉特征向量,采用遗传算法优化的支持向量机对变压器状态进行识别,并通过测试样本验证所提出方法的有效性。结果显示,以SMVBDMDR为特征向量的故障诊断平均准确率高达98.1%。以上研究表明,基于变压器声信号并考虑人耳听觉感知特性的变压器故障诊断方法可以有效地应用于变压器故障诊断和监测中。     

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。     

改进FSVM在发动机振动故障融合分析中的应用

摘 要：对模糊支持向量机中的传统隶属度确定函数进行了改进,得到了紧密度隶属函数的模糊隶属度确定方法;针对航空发动机整机振动中多类故障诊断的特点,引入模糊隶属度函数建立了更有效地FSVM融合诊断的数学模型,并将该模型应用到航空发动机整机振动故障诊断中。计算结果显示：该方法不但具有较高的正确诊断率,而且也具有很强的抗噪声能力,从而为航空发动机整机振动故障分析提供了一种新方法。