相关向量机及其在机械故障诊断中的应用研究进展

相关向量机是一种基于贝叶斯稀疏理论的新型机器学习算法,近年来被应用于多个行业,并得到了国内外学者的不断关注和研究,然而在机械故障诊断领域还未得到足够的重视。简述了相关向量机的特点,通过与支持向量机相比较,阐述了相关向量机的优缺点,综述和分析了近年来相关向量机的国内外研究现状,重点关注相关向量机在机械设备状态监测与故障诊断领域的研究进展。在此基础上,分析了相关向量机研究所存在的一些问题,并展望了相关向量机在机械故障诊断领域应用的未来方向。     

改进的支持向量机在旋转机械故障诊断中的应用

系统地研究支持向量机的基本原理。针对旋转机械振动故障特征复杂的特点,提出采用基于K-L变换的故障提取方法。改进支持向量机的多分类算法,将支持向量机分类方法用于旋转机械振动分析,利用其模式辨别和系统建模能力对典型故障的初始征兆、发生、发展进行动态分析,为旋转机械的故障诊断提供新的思路和方法。     

基于支持向量机的变压器故障诊断研究

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好解决了小样本、高维数、非线性等学习问题。从理论与实验上比较了目前常用的基于支持向量机的变压器故障诊断方法。     

支持向量机在电机转子故障诊断识别中的应用

提出了一种基于支持向量机的鼠笼式电机转子断条故障检测方法,通过对电机转子断条故障进行实验模拟,获取了采样信号,利用支持向量机(SVM)对故障样本进行训练,使得支持向量机(SVM)具有分类功能.最后,采用支持向量机(SVM)对电动机各种转子断条故障进行诊断分类,取得较满意的结果.     

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%.     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

蚁群支持向量机在内燃机故障诊断中的应用研究

针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的蚁群优化技术应用到支持向量机惩罚函数和核函数参数的优化,提出了蚁群优化支持向量机方法。根据内燃机气门振动信号实测数据,建立了基于蚁群优化支持向量机的内燃机气门间隙故障诊断模型,并与基于遗传支持向量机和反向传播神经网络算法的模型比较。结果表明：应用蚁群优化支持向量机建立的内燃机气门间隙故障诊断模型无论从学习效率还是故障识别准确性上都优于应用另外两种算法建立的模型,能够有效地进行内燃机的故障诊断。     

基于支持向量机的汽车发动机故障诊断研究

研究在汽车发动机不解体的情况下获取发动机缸盖表面的振动信号和上止点信号,按曲轴转角的周期对振动信号的时域能量进行合理分段;提取各段信号的时域能量作为发动机各缸状态的特征值。建立发动机各缸不同故障状态的训练集,用支持向量机的方法实现发动机故障模式的诊断与识别。研究结果表明,该方法对汽车发动机故障类型、故障位置的诊断识别具有重要工程意义。     

应用支持向量机进行网上信息自动分类

从SVMs的原理出发，介绍了用SVMs对网上信息进行自动分类的方法，分析了它能够防止出现“过学习”现象的原因以及对网上信息分类的适应性，并讨论了它的不足和可改进之处。     

Mechanical Fault Diagnosis Using Support Vector Machine

The Support Vector Machine (SVM) is a machine learning algorithm based on the Statistical Learning Theory ( SLT), which can get good classification effects even with a few learning samples.SVM represents a new approach to pattern classification and has been shown to be particularly successful in many fields such as image identification and face recognition. It also provides us with a new method to develop intelligent fault diagnosis. This paper presents a SVM-based approach for fault diagnosis of rolling bearings. Experimentation with vibration signals of bearings is conducted. The vibration signals acquired from the bearings are used directly in the calculating without the preprocessing of extracting its features. Compared with the methods based on Artificial Neural Network (ANN), the SVM-based method has desirable advantages. It is applicable for on-line diagnosis of mechanical systems.     

基于商空间和支持向量机的滚动轴承故障智能诊断

针对滚动轴承故障诊断中存在的故障类型多样且有效特征难以选取等问题,提出了一种基于商空间和支持向量机的智能诊断模型。该模型利用商空间的粒化分层思想将输入样本按照不同等价关系进行粒化分层,并对每一粒度层的时域和频域特征进行约简,然后将每一层约简后的特征向量输入到支持向量机进行状态识别,最后对各粒度层状态识别结果加权融合得到最终结果。利用轴承全寿命试验数据对该模型进行验证,识别精度达到96.92%。     

基于VMD能量熵与优化支持向量机的轴承故障诊断

滚动轴承早期故障信号比较微弱,且受噪声与振动耦合影响,导致其故障判别失准.基于变分模态分解算法(VMD)与能量熵结合构建多模态特征矩阵,以灰狼算法(GWO)优化支持向量机(SVM)参数,提出VMD-Entropy-OSVM轴承智能故障诊断,采用轴承实验数据验证所提方法的有效性与优越性.实验结果表明:VMD-Entrop...     

基于单类支持向量机的冷水机组温度传感器故障检测

冷水机组系统中,温度传感器出现故障会严重影响机组工作效率及使用寿命。针对冷水机组温度传感器偏差故障,本文提出一种基于单类支持向量机(one-class support vector machine,OC-SVM)的故障检测方法,采用冷水机组正常数据建立OCSVM模型,通过十折交叉验证法获得模型优化参数。分别采用工程实测数据和实验数据(共4组)对该方法进行了验证,结果表明:基于OC-SVM的方法能有效检测出4组冷水机组的温度传感器偏差故障。其中对于螺杆式冷水机组(数据集Ⅰ)的故障检测效果明显,当冷冻水侧温度传感器偏差故障幅值绝对值大于1℃时,检测效率达到100%。     

ESVR算法及支撑向量机算法中参数的确定

支撑向量机是基于有限数据的机器学习算法,主要研究如何从一些给定的观测数据获得目前尚不能通过原理分析得出的规律,利用这些规律去分析客观现象并对无法观测的数据进行预测。本文在已有的支撑向量机算法的基础上,提出了一种新的算法——ESVR算法,它是基于支撑向量回归机的改进算法,利用原有用于回归问题的SVM算法消除了孤立点对已知问题的影响。针对支撑向量机算法中核参数取值对推广性的影响较明显的特点,本文给出了一种核函数中参数的确定方法——渐进搜索法,它可以得到支撑向量机算法中核参数的取值范围,并具有推广误差较小的特点。数值实验表明它们具有较好的效果。     

Support Vector Machine Assisted GPS Navigation in Limited Satellite Visibility

This paper investigates performance improvement via the incorporation of the support vector machine (SVM) into the vector tracking loop (VTL) for the Global Positioning System (GPS) in limited satellite visibility. Unlike the traditional scalar tracking loop (STL), the tracking and navigation modules in the VTL are not independent anymore since the user’s position can be determined by using the information from other satellites and can be predicted on the basis of the states of the user. The method proposed in this paper makes use of the SVM to bridge the GPS signal and prevent the error growth due to signal outage. Similar to the neural network, the SVM is motivated by its ability to approximate an unknown nonlinear input-output mapping through supervised training. The SVM is employed for predicting adequate numerical control oscillator (NCO) inputs, i.e., providing better prediction of residuals for the Doppler frequency and code phase in order to maintain regular operation of the navigation system. When the navigation processing is in good condition, the SVM is at the training stage, and the output information from the discriminator and navigation filter is adopted as the inputs. Other machine learning (ML) algorithms such as the radial basis function neural network (RBFNN) and the Adaptive Network-Based Fuzzy Inference System (ANFIS) are employed for comparison. Performance evaluation for the SVM assisted architecture as compared to the RBFNN- and ANFIS-assisted methods and the un-assisted VTL will be carried out and the performance evaluation during GPS signal outage will be presented. The proposed design is very useful for navigation during the environment of limited satellite visibility to effectively overcome the problem in the environment of GPS outage.     

Estimating Military Aircraft Cost Using Least Squares Support Vector Machines

A multi-layer adaptive optimizing parameters algorithm is developed for improving least squares support vector machines (LS-SVM), and a military aircraft life-cycle-cost (LCC) intelligent estimation model is proposed based on the improved LS-SVM. The intelligent cost estimation process is divided into three steps in the model. In the first step, a cost-drive-factor needs to be selected, which is significant for cost estimation. In the second step, military aircraft training samples within costs and cost-drive-factor set are obtained by the LS-SVM. Then the model can be used for new type aircraft cost estimation. Chinese military aircraft costs are estimated in the paper. The results show that the estimuted costs by the new model are closer to the true costs than that of the traditionally used methods.     

基于支持向量机的步态分类方法

针对小样本步态数据引起的分类器泛化能力差的问题,提出了基于支持向量机的步态分类方法.采集了24名青年和24名老年受试者的步态数据,提取24个步态特征训练支持向量机,采用交叉验证方法评估分类器的泛化性能.结果表明,本文提出的方法能够有效地对小样本步态数据分类,并且具有良好的泛化性.不同的核函数对分类性能影响较小.与传统反向传播学习算法的神经网络分类器进行了比较,支持向量机分类性能明显优于传统反向传播学习算法的神经网络.支持向量机在步态分类中具有广泛的应用前景.