基于主元-双谱支持向量机的旋转机械故障诊断方法

提出一种基于主元-双谱支持向量机的旋转机械故障诊断方法，该方法具有对故障在线监测分类和故障分类能力强的优点，能有效地从汽轮机故障的非平稳、非高斯时变信号中提取状态特征。首先研究了直接法、间接法及ARMA模型法的双谱估计特征，然后利用双谱分析主元数字特征提取技术提取这些特征，最后利用支持向量机对汽轮机小样本故障进行分类，较好地解决了故障样本不足的实际问题。诊断结果表明与常用的BP神经网络相比可以获得较高的诊断精度。     

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CEEMDAN与奇异值分解的往复机械故障诊断方法研究

往复机械振动信号非常复杂,通常存在较强的非平稳、非线性特征,使得对其进行振动信号分析、故障识别存在困难。对此提出一种基于改进的总体经验模态分解(CEEMDAN)与奇异值结合的故障特征识别方法,对原始信号进行CEEMDAN分解,得到本征模式函数的奇异值,将得到的奇异值作为特征向量输入支持向量机进行特征分类,从而实现故障模式的识别。通过对实验室模拟故障与往复泵动力端故障模式识别实例分析来论证方法有效性。研究结果表明,该方法适用于提取往复机械振动信号冲击特征和多故障模式识别。     

球结构支持向量机在转轴碰摩位置识别中的应用

摘要：碰摩是旋转机械中常见的故障,碰摩故障位置识别是一个有待深入研究的故障诊断问题。对球结构支持向量机进行改进,充分考虑分类球的大小对分类的影响,经过理论分析和仿真实验得到新的分类规则。把转轴上不同位置的碰摩当作不同的故障,转轴碰摩故障位置识别就是个较大规模的多类别故障诊断问题,运用改进的球结构支持向量机进行转轴碰摩故障位置识别。实验结果表明,和其他同类算法相比,改进的球结构支持向量机具有识别率高、速度快、计算量少、数据处理容量大等优点,适合于较大规模的多类别故障诊断。
     

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%.     

基于谱相关密度切片分析和SVM的滚动轴承故障诊断

为了对旋转机械中的滚动轴承进行故障分析,针对滚动轴承具有二阶循环平稳的特点,采用了谱相关密度组合切片分析方法进行特征提取,并将提取的特征作为输入向量,用"一对其他"多分类支持向量机进行故障识别,给出了基于谱相关密度组合切片分析和多类支持向量机的滚动轴承故障诊断流程图,该方法具有较高的计算效率和估计精度。最后通过对实验数据的分析与处理,验证了该方法在滚动轴承故障诊断中的可行性和实用价值。     

基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

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。     

电动剃须刀刀片旋转异响的声学检测方法研究

为解决目前电动剃须刀刀片旋转异响声人工检测效率低、经验要求高的问题,提出一种将小波变换和人工鱼群算法优化的支持向量机相结合的声学检测方法。该方法首先通过离散小波变换对电动剃须刀刀片旋转声信号进行小波分解和重构,将获得的各层相对小波能量作为样本特征参量,然后采用人工鱼群算法对支持向量机进行优化,最后使用优化后的模型对样本进行训练和分类识别。研究结果表明,人工鱼群算法优化的支持向量机在识别率方面优于传统支持向量机,样本识别率可达95%以上。     

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.     

基于支持向量机的转子振动信号故障分类研究

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。     

基于特征优选和GA-SVM的滚动轴承智能评估方法

针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。     

基于振动图像纹理特征识别的轴承故障程度诊断方法研究

针对轴承故障诊断中故障分类研究多,故障程度研究少,振动图像信息丰富得不到充分利用问题,提出利用振动图像纹理特征识别技术进行轴承故障程度诊断方法。该方法先对轴承振动响应信号进行EMD-形态差值滤波处理,后将滤波后信号转换为双谱等高线图,利用灰度三角共生矩阵得到双谱图形纹理特征,应用主成份分析法从纹理特征参数中提取轴承故障程度特征参量,用支持向量机进行模式识别。实验结果表明该方法能有效区别轴承外圈、内圈及内外圈的故障严重程度,可为旋转机械故障程度诊断提供新方法。     

基于t-SNE和LSTM的旋转机械剩余寿命预测

针对旋转机械的剩余使用寿命预测问题,提出了一种基于t分布随机近邻嵌入(t-SNE)和长短期记忆网络(LSTM)的预测方法。将t-SNE降维方法引入旋转机械振动信号特征提取,实例验证表明无论针对时频域特征或小波包分解得到的能量特征,经t-SNE降维后特征区分度更加明显,利用降维后的特征进行故障模式识别,正确率接近100%;提出利用样本间散度作为旋转机械退化指标,实验表明样本间散度对旋转机械性能退化趋势的表现相比其他指标更加明显;以不同的训练样本量,利用LSTM方法进行剩余使用寿命预测,为了验证LSTM方法的有效性,将其与BP神经网络、灰色预测模型、支持向量机等方法进行比较,结果表明LSTM方法能够预测旋转机械退化趋势,显著提高剩余使用寿命的预测精度,对旋转机械的健康监测和寿命预测具有一定的理论指导意义。     

基于PSO算法的模糊PSVM及其在旋转机械故障诊断中的应用

研究了粒子群优化改进的模糊线性PSVM在旋转机械故障诊断的应用。常规的PSVM对噪声或野值敏感,模糊PSVM可以很好的解决这种问题;对于非平衡样本,PSVM分类面会偏重于数据点较多的一类,从而降低正确分类性能,通过为不同样本分别设计不同的惩罚因子,提高分类器性能;模糊线性PSVM分类器的惩罚因子采用经典粒子群优化算法进行优化,避免传统方法对初始点和样本的依赖。通过旋转机械故障分类应用实例进行了设计方法的验证,首先对振动信号进行滤波,然后以不同频率频谱的谱峰能量作为FLPSVM分类器的输入特征参数,用于区分旋转机械的5种典型故障,试验结果表明了方法的有效性。     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。     

振动机械滚动轴承两点点蚀故障诊断研究

针对振动机械滚动轴承两点点蚀故障的判别问题,建立了基于Hertz接触理论的振动机械滚动轴承内环和外环两点点蚀故障的振动模型,提出了两点点蚀故障的判别依据,对理论模型进行了仿真,并在振动筛上进行了试验研究。理论分析与试验分析结果一致表明,振动机械与旋转机械滚动轴承两点点蚀的故障特征频谱有明显的区别。振动机械滚动轴承外环点蚀故障时有明显的振幅调制现象,而理想的旋转机械外环点蚀无振幅调制现象;振动机械滚动轴承内环点蚀故障时有轻微的振幅调制现象,而理想的旋转机械内环点蚀存在明显的振幅调制现象。     

基于ICS-LSSVM的包装机械动力机轴承的故障识别

目的针对包装机械设备中动力机轴承的故障诊断识别率低的问题,提出一种基于参数寻优的故障识别方法。方法首先通过主元分析算法对包装设备动力机的振动数据进行主成分特征提取,减少各数据间的相关性,然后采用LSSVM对各类数据样本进行故障识别。为了克服LSSVM惩罚因子和核函数参数易出现局部最优、收敛精度差等问题,提出一种ICS算法优化LSSVM的状态参数,提高包装机械动力机轴承故障诊断的识别率,以实测糖果厂包装机械振动数据为例验证所提方法的有效性。结果实验结果表明,在包装机械动力机轴承故障类别确定的情况下,算法能够高精度地识别各类动力机故障。结论该算法实现了分类器参数的自适应选择,为提高包装机械动力机轴承故障诊断的识别率提供了可靠的方法。     

基于盲源分离去噪和HHT的旋转机械故障诊断

在利用Hilbert-Huang变换对旋转机械的故障信号进行特征提取时,传感器所获得的信号往往受到不同类型的噪声干扰,而忽略噪声的影响常常产生很差的分析效果。为克服此不足,结合盲源分离,提出了一种解决HHT分析中模态裂解现象的方法,即基于快速独立分量分析消噪的HHT分析方法。仿真与实例结果表明,该方法能有效抑制HHT过程中的模态裂解现象,有效提取信号的特征频率,进而实现旋转机械故障诊断。