基于主元分析的柱塞泵故障诊断方法

在分析了主元分析法的基础上,提出了PCA的故障诊断方法,利用小波变换对原始信号进行了预处理,提取了包含时域和频域特征参数构成的特征向量,应用PCA进行了故障诊断。对液压泵进行故障诊断,试验结果表明,时域和频域特征参数构成的特征向量很好反映了故障特征,该方法对液压泵故障诊断有良好的效果。     

基于时频特性和PCA-RBF神经网络的齿轮箱故障诊断

针对齿轮箱故障诊断中仅单方面从时域、频域和时频域提取特征向量,导致特征指标具有很大片面性的问题,提出了一种基于时频特性和PCA-RBF神经网络的齿轮箱故障诊断方法。首先利用统计分析和总体经验模态分解(EEMD)方法,构造高维混合域初始特征向量;然后通过主成分分析法(PCA)对高维初始特征向量进行降维和简化;最后将经过PCA处理的主特征向量输入到径向基函数(Radial Basis Function,RBF)神经网络中实现故障的识别。实验结果表明,采用该方法能够有效识别齿轮箱的故障。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

基于EEMD和MFFOA-SVM滚动轴承故障诊断

针对滚动轴承发生故障时,振动信号的时域和频域特征都会发生变化的特点,提出了基于集合经验模态分解（EEMD）、改进果蝇优化算法（MFFOA）和支持向量机（SVM）的滚动轴承故障诊断方法。该方法主要是利用EEMD方法对故障信号进行分解,并计算各IMF分量的均方根值和重心频率,以此进行归一化处理得到特征向量。为了提高诊断精度,采用果蝇优化算法优化SVM参数,建立MFFOA-SVM模型,然后对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。利用该方法对实测信号进行分析与诊断,并与遗传算法的优化结果进行对比,验证了该方法的有效性,说明其具有良好的应用前景。     

一种基于PCA与SVM的往复压缩机典型故障诊断方法

往复压缩机的振动信号具有非线性、非平稳性的特点,对此提出一种基于PCA与SVM的典型故障诊断方法。针对往复压缩机典型的拉缸、活塞杆紧固螺母松动、撞缸等故障,首先提取出振动信号的时频域特征参数,再利用主成分分析(PCA)方法缩减特征参数的维度,提取出故障敏感特征,作为新的特征向量,最后再将提取出的敏感特征输入支持向量机(SVM)中,对其进行训练获得SVM结构模型,并将这个模型用于处理待测试的特征向量,由此判决数据所属的类别;利用真实的故障案例数据验证了此方法对往复压缩机故障诊断的有效性。     

基于监督拉普拉斯分值和主元分析的滚动轴承故障诊断

在拉普拉斯分值(Laplaian score,LS)方法的基础上,提出一种监督拉普拉斯分值(Supervised laplaian score,SLS)特征选择方法。该方法同时考虑数据的标号信息和局部几何结构,避免LS方法中要设定近邻图参数的问题。将SLS和主元分析(Principal component analysis,PCA)相结合,提出基于SLS和PCA的滚动轴承故障诊断方法。该方法在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征矢量;利用SLS进行特征选择,形成故障特征矢量;再对特征矩阵进行PCA降维处理,并用K近邻(K-nearest neighbor algorithm,KNN)分类算法实现滚动轴承不同故障类型的识别。应用实例表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障,且故障分辨率优于基于LS和PCA的故障诊断方法。     

基于流形学习与一类支持向量机的滚动轴承早期故障识别方法

提出了一种基于流形学习与一类支持向量机的轴承早期故障识别方法。首先提取轴承信号的时域参数构成原始特征样本空间;然后采用基于拉普拉斯特征映射算法(Laplacian eigenmap,LE）的流形学习方法对特征样本进行特征压缩,提取出敏感的故障特征;最后采用一类支持向量机对各状态实现分类识别。利用实测的滚动轴承故障数据对算法进行了验证,并将LE方法与主成分分析（PCA）方法进行了比较,
结果证明该方法可行。     

基于改进SVM的数控机床在线实时诊断系统设计

结合故障诊断需求,提出一种改进SVM故障诊断与预警系统.结合故障诊断原理,对系统整体架构进行部署;选择7202AC型角接触球轴承故障特征作为研究对象,通过传感器对故障特征进行采集;通过时域、频域和时频域特征提取,完成对故障信号的预处理;然后利用遗传算法对传统SVM惩罚因子C和g进行优化,以此完成对不同故障类型的识别.最后,结合MATLAB软件和Python编程语言,对改进算法进行系统实现,验证了改进算法的可行性.     

基于时频特性和PCA-RBF的自动机故障诊断

针对自动机故障诊断中仅单方面从时域、频域和时频域提取特征向量,导致特征指标具有很大片面性的问题,本文提出了一种基于时频特性和PCA-RBF的自动机故障诊断方法。首先利用统计分析和总体经验模态分解(EEMD)方法,构造高维混合域初始特征向量;然后通过主成分分析法(PCA)对高维初始特征向量进行降维和简化;最后将经过PCA处理过的主特征向量输入到径向基函数(Radial Basis Function,RBF)神经网络中实现故障类型的识别。实验结果表明,混合域初始特征向量能够准确全面地描述故障特征,经过PCA处理的主特征向量大大简化了分类器结构,RBF神经网络结构简单、收敛速度快、具有很高的分类准确率。     

基于无监督判别投影的滚动轴承故障诊断

针对滚动轴承故障样本不平衡和故障特征存在冗余性问题,提出了基于无监督判别投影（UDP）的滚动轴承故障诊断方法。该方法首先从时域和时频域提取多个特征参数,从而构造一个原始的高维特征集,随后运用UDP算法从该特征集中提取最敏感的低维流形特征,最后利用K-近邻分类器识别出滚动轴承的运行状态。将该方法分别应用于轴承故障类型和内圈故障严重性的识别,并与传统方法进行了比较,验证了该方法的可行性和优越性。     

基于KPCA-SVC的复杂过程故障诊断

本文提出了一种将核主元分析方法与支持向量机分类相结合进行故障诊断的方法,运用该方法对连续搅拌釜式反应器（CSTR）进行实时的故障诊断,实验结果表明KPCA-SVC故障诊断方法既充分利用了KPCA的特征提取能力和SVC的良好的分类能力,又避免了复杂的计算,有利于提高故障诊断模型的实时性。     

基于邻域属性重要度与主成分分析的齿轮箱故障特征约简

为有效降低齿轮箱故障特征的维数并提高诊断效率,提出了基于邻域属性重要度与主成分分析法相结合的齿轮箱故障特征约简方法,并利用支持向量机和BP神经网络对诊断的准确率进行对比分析。针对齿轮箱中具有不同程度裂纹的齿轮,选取其时域、频域和基于希尔伯特变换的36个特征;将邻域模型引入到特征属性的约简,构造前向贪心算法,以邻域属性重要度较大的9个特征作为特征集,提取累积贡献率达到95%以上的主成分,分别输入支持向量机和BP神经网络分类器中进行分类识别,并与不经过特征优选的主成分特征融合相对比。结果表明,采用基于邻域属性重要度与主成分分析法相结合的特征约简方法,既可以降低齿轮箱故障特征的维数,又不影响对其运行状态的表征,有助于识别不同裂纹水平的齿轮,与不经过特征优选直接进行融合的方法相比,所提出方法诊断准确率更高,训练时间更短。     

多尺度排列熵及其在滚动轴承故障诊断中的应用

引入多尺度排列熵（MPE）的概念,用来检测振动信号不同尺度下的动力学突变行为,并将其应用于机械故障诊断中滚动轴承故障特征的提取,结合支持向量机(SVM),提出了一种基于MPE和SVM的滚动轴承故障诊断方法,将新提出的滚动轴承故障诊断方法应用于实验数据分析,并通过与BP神经网络对比,结果表明,该方法能够有效地提取故障特征,实现故障类型的诊断。     

Fault diagnosis method of rolling bearing using principal component analysis and support vector machine

To effectively extract the fault feature information of rolling bearings and improve the performance of fault diagnosis, a fault diagnosis method based on principal component analysis and support vector machine was presented, and the rolling bearings signals with different fault states were collected. To address the limitation on effectively dealing with the raw vibration signals by the traditional signal processing technology based on Fourier transform, wavelet packet decomposition was employed to extract the features of bearing faults such as outer ring flaking, inner ring flaking, roller flaking and normal condition. Compared with the previous literature on fault diagnosis using principal component analysis (PCA) and support vector machine (SVM), one-to-one and one-to-many algorithms were taken into account. Additionally, the effect of four kernel functions, such as liner kernel function, polynomial kernel function, radial basis function and hyperbolic tangent kernel function, on the performance of SVM classifier was investigated, and the optimal hype-parameters of SVM classifier model were determined by genetic algorithm optimization. PCA was employed for dimension reduction, so as to reduce the computational complexity. The principal components that reached more than 95 % cumulative contribution rate were extracted by PCA and were input into SVM and BP neural network classifiers for identification. Results show that the fault feature dimensionality of the rolling bearing is reduced from 8-dimensions to 5-dimensions, which can still characterize the bearing status effectively, and the computational complexity is reduced as well. Compared with the raw feature set, PCA has a higher fault diagnosis accuracy (more than 97 %), and a shorter diagnosis time relatively. To better verify the superiority of the proposed method, SVM classification results were compared with the results of BP neural network. It is concluded that SVM classifier achieved a better performance than BP neural network classifier in terms of the classification accuracy and time-cost.     

基于双树复小波和自适应权重和时间因子的粒子群优化支持向量机的轴承故障诊断

提出了一种基于双树复小波和具有自适应权重和时间因子的粒子群算法优化支持向量机的轴承故障诊断方法。首先对机械振动信号进行DTCWT变换,提取能量熵作为特征向量。然后采用AWTFPSO算法优化SVM,实现轴承故障诊断。不同方法的对比实验及分析结果表明,该方法速度快、准确率高。     

[质量优化]窄搭接焊缝涡流信号的特征提取与缺陷识别

提出了一种有效识别窄搭接焊缝缺陷的涡流检测方法。首先用经验模态分解提取焊缝涡流信号的特征参数；然后基于主成分分析对特征参数进行降维，去掉其中的冗余信息，得到焊缝的主元特征；最后将主元特征作为支持向量机的输入构建多分类器，对窄搭接焊缝的涡流实测信号进行缺陷识别。结果表明该方法准确度高、复杂度低，能有效识别焊缝的不同缺陷，具有良好的工程应用价值。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

基于PCA和SVM的内燃机故障诊断

为有效对内燃机运行状态进行评估,根据内燃机振动信号特征和故障样本较少的特点,提出了基于主分量分析和支持向量机进行内燃机状态判别的故障诊断方法。提取内燃机振动特征参数,利用主分量分析消除其信息冗余,提取反映内燃机运行状态的主分量特征,实现内燃机振动特征参数降维。通过选择适合内燃机振动信号的径向基核函数,构造一对多的支持向量机多类分类器,对主分量特征进行训练学习,实现内燃机运行状态判别。通过对模拟内燃机不同运行状态的试验分析,结果表明该方法可以有效识别内燃机不同的运行状态。     

Fault diagnostics based on particle swarm optimisation and support vector machines

In the fault diagnosis based on support vector machines (SVM), irrelevant variables in the fault samples spoil the performance of the SVM classifier and reduce the recognition accuracy. On the other hand, some SVM parameters are usually selected artificially, which hampers the efficiency of the SVM algorithm in practical applications. A new method that jointly optimises the feature selection and the SVM parameters with a modified discrete particle swarm optimisation is presented in this paper. A correct ratio based on a new evaluation method is used to estimate the performance of the SVM, and serves as the target function in the optimisation problem. A hybrid vector that describes both the fault features and the SVM parameters is taken as the constraint condition. This new method can select the best fault features in a shorter time, and improves the performance of the SVM classifier, and has fewer errors and a better real-time capacity than the method based on principal component analysis (PCA) and SVM, or the method based on Genetic Algorithm (GA) and SVM, as shown in the application of fault diagnosis of the turbo pump rotor.     

基于PCA-PDBNs的故障检测与自学习辨识

如何提高工业过程故障识别的准确性及其算法训练的效率一直是故障检测与辨识研究领域的重点和热点。将深度学习方法引入该领域,结合粒子群优化(PSO)算法和深度信念网络(DBNs),提出了一种基于PSO的DBNs辨识方法(即PSODBNs,PDBNs),使用该方法对复杂函数的拟合进行了数值仿真。实验结果表明,相比于基本的DBNs模型,经PSO算法对网络参数优化后的DBNs模型获得了更好的函数逼近效果,具有更高的辨识精度。为验证该方法在实际工业过程故障检测中的可行性,结合主元分析(PCA),提出了一种PCA-PDBNs模型,并将此应用于田纳西-伊斯曼(TE)过程的故障检测中,结果表明,基于PCA-PDBNs方法降低了故障检测模型的复杂度,进一步提高了对未知故障类型的辨识精度,取得了较好效果。