基于小波包和支持向量机的齿轮故障诊断

提出了一种基于小波包和支持向量机的齿轮故障诊断方法,并介绍了该方法的原理和算法。利用获得的矿井提升机减速箱齿轮数据建立了多级故障分类器,通过对样本的分类输出检验,验证了该故障诊断方法的可行性。     

支持向量机和小波包分析下的轴承故障诊断

简要介绍了支持向量机和小波包分析理论,在此基础上提出将故障信号经小波包分解后各子频带信号能量与信号总能量之比作为故障特征并构造特征向量作为SVM分类器的输入,实现故障状态的诊断。设计实验进行验证,在转子实验台上测得滚动轴承各种状态下的振动信号,经小波包分解后计算各子频带相对能量作为实验数据。将数据分为训练样本较多和训练样本较少两组数据集,分别使用四种不同核函数和一对一与一对多两种算法进行故障状态分类计算,以了解其对SVM分类性能的影响,最后与BP神经网络分类结果比较,对比SVM分类器与传统故障诊断方法的优缺点。     

复合肢体想象动作脑-机接口中黎曼核支持向量机递归特征筛选方法

相对于传统的想象动作脑-机接口,复合肢体想象动作脑-机接口有效提升了指令复杂度,具有更好的中风后康复治疗潜力,但当前较低的识别精度限制了其临床应用。为提升复合肢体动作想象相关脑电信号特征的特异性并降低不同通道间的信息混淆,提出了一种基于脑电流形特征信息刻划的黎曼核支持向量机递归特征筛选方法(Riemann kernel support vector machine recursive feature elimination, RKSVM-RFE)。采集了10位被试在进行想象7种不同肢体部位动作时的脑电信号数据,利用RKSVM-RFE方法进行特征优化和建模,对脑电数据对应的运动意图进行识别。结果显示,基于所提方法的平均识别正确率达到了77%,相比于经典的CSP方法提高了近7%,并且能够消减近50%的脑电信息采集通道,可有效降低系统复杂性。研究结果为基于想象动作脑-机接口的康复技术发展提供了新的思路,值得进一步发展。     

小波包分析和支持向量机在刀具故障诊断中的应用

利用小波包分析技术适于对非平稳信号进行特征提取和支持向量机在小样本情况下具有较强分类能力的特点,提出了一种基于小波包分析和支持向量机相结合进行刀具切削故障诊断的方法.该方法采用小波包分析对其提取特征向量,利用支持向量机故障分类器实现对刀具切削故障分类.试验结果表明,小波包分析和支持向量机能对刀具故障进行有效诊断,故障预报正确率为90%.     

基于小波包一混沌支持向量机的液压泵压力信号预测

针对液压泵压力信号呈现的非线性、非平稳的特性,提出一种将小波包分析、相空间重构理论与支持向量机(SVM)相结合的预测方法,实现液压泵压力信号监测数据的建模及预测。首先将采集到的压力信号通过小波包进行分解,将分解得到的各个分量进行重构,其次对重构后的每一个分量通过混沌支持向量机预测模型进行预测,最后对各预测值进行合成。试验数据表明,该方法能够有效地预测液压泵压力信号的变化趋势,具有较高的预测精度,可有效地应用于系统的状态监测和故障预测。     

基于小波包分解和支持向量机的机械故障诊断方法

提出应用小波包分解和支持向量机进行机械故障诊断的方法。该方法将振动信号小波包分解后的频带能量作为特征向量,输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。试验结果表明,与神经网络相比,采用支持向量机进行故障诊断可以获得更高的诊断精度,表明该方法是有效的、可行的。     

基于改进阈值小波和支持向量机的低速重载滚动轴承故障诊断的研究

提出了将小波分析与支持向量机结合用于低速滚动轴承故障诊断的方法。首先在实验台上进行轴承各种故障信号的样本采集,利用改进后的小波阈值法对信号进行去噪,将降噪后的振动信号经过小波包分解后的频带能量作为特征向量,并以此作为训练样本,对多个支持向量机构成的多故障分类器进行训练,进而实现智能诊断。结果表明,比起传统阈值法小波去噪,结合后的方法有较好的诊断效果。     

基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。     

小波支持向量机在结构损伤识别中的应用研究

基于小波框架理论和支持向量核函数的条件,引入非线性小波基函数构造支持向量机（SVM）的核函数．得到一种具有较强泛化能力的紧致型小波支持向量机。对结构在环境脉动下的反应信号进行小波包分解,利用“能量一损伤状态”的特征提取方法得到特征向量,并作为紧致型小波支持向量机的输人进行训练和分类检验,提出了一种基于完全小波支持向量机的结构损伤识别方法。以一空间单层网壳结构为检测和诊断对象,用该方法对结构的损伤位置和程度进行识另口和分类具有较高的精度,同时该方法具有面向工程实际应用、成本低和分析简便等特点。     

基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

基于WTPCA-MSVMs过程监控方法

提出了基于小波变换主元分析和多支持向量机(wavelet transform PCA-Multiple support vector machines,WTPCA-MSVMs)的过程监控方法,该方法首先利用小波变换(wavelet transform,WT)对采样数据进行预处理,以有效抑制过程数据中所含的噪声和干扰信号;然后利用主元分析(principal component analysis,PCA)对预处理后的数据建立主元监控模型;考虑到实际工业过程故障数据的数量较少,而支持向量机(support vector Machine,SVM)在小样本学习方面具有良好的泛化能力的特性,最后提出了基于多支持向量机(multiple support vector machines,MSVMs)的故障诊断方法。对TE(tennessee eastman,TE)过程的监控应用表明了所提出方法的有效性。     

Bearing running state recognition based on non-extensive wavelet feature scale entropy and support vector machine

In order to effectively recognize the bearing running state, a new method based on non-extensive wavelet feature scale entropy and the Morlet wavelet kernel support vector machine (MWSVM) was proposed. Firstly, the gathered vibration signals were decomposed by the wavelet to obtain the corresponding wavelet coefficients. Then, based on the integration of non-extensive entropy and the coefficients, the features were extracted by the wavelet feature scale entropy. However, the extracted features remained high-dimensional and excessive redundant information still existed. Therefore, the manifold learning algorithm locality preserving projection (LPP) was introduced to extract the characteristic features and to reduce the dimension. The extracted characteristic features were inputted into the MWSVM to train and construct the running state identification model; the bearing running state identification was thereby realized. Cases of test and actual fault were analyzed. The results validate the effectiveness of the proposed algorithm.     

Classification of acoustic noise signals using wavelet spectrum based support vector machine

Harsh noises come from air-conditioning units are chronic complaining issues to their users. Individual perceptions of noise levels have been generally quantified by means of subjective evaluation such as a jury test. This article proposes a classification approach to acoustic noise signals using a wavelet spectrum analysis. We derive energy spectrums of noise signals using a discrete wavelet transform at pre-specified window length. The energy spectrums are a linear form and represented by a Hurst parameter as an informative summary of long-range dependent signal data. The Hurst parameter controls the self-similarity scaling as well as the degree of long-range dependence. We estimate the Hurst parameter through the least squares regression of sample energy against a resolution level in the wavelet spectral domain. In the context of multi-class classification problem, the classification of noise signals is performed by a nonlinear support vector machine (SVM) for parameter estimates of linear energy profiles containing the Hurst parameter. In an application example of air-conditioner noise signals, empirical results show that the proposed method offers the higher level of accuracy in acoustic noise sound classification.     

基于小波包熵和ISODATA的滚动轴承故障诊断

针对滚动轴承不同振动信号各个频带的能量不同的特点,提出一种基于小波包熵（WPE）和ISODATA的集合型故障诊断方法（WPE-ISODATA）。文中对滚动轴承振动信号进行采样;利用小波包提取滚动轴承振动信号的能量特征并归一化运算,将归一化的能量特征作为振动信号的概率分布进行信息熵运算,提取滚动轴承振动信号特征;以信息熵作为ISODATA聚类算法的输入进行故障辨识。滚动轴承实验结果表明：基于小波包熵和ISODATA的集合型故障诊断方法鲁棒性好,可靠性高。     

基于小波包和熵准则的最优频段提取方法

为实现运动功能障碍患者的运动意愿和基于脑机接口技术的实际康复运动的一致性,进一步改善康复效果,以想象右手食指屈伸运动为例,对身体相同或相近部位的不同运动想象方式产生的脑电信号(记为EEGs)的特征提取方法进行研究。针对食指屈伸运动想象EEGs的事件相关去同步化现象(event-related desynchronization,ERD)不显著及发生的时间及频段的个体差异等特点,提出了基于小波包和熵准则的最优频段提取方法。该方法首先利用小波包分析对右手食指屈、伸运动想象EEGs进行分解;其次,利用熵准则对特征频段的可分度进行度量,从而选取相对明显的频段小波包组合,并以相应的小波包系数构成特征矢量;最后,结合支持向量机实现最优频段的选取。实验结果表明,该特征提取方法能够自适应提取右手食指屈伸运动想象EEGs的ERD现象差异性较大的频段特征,最高分类正确率为81.75%,验证了所提方法的有效性。     

基于支持向量机的轴承表面缺陷检测

提出一种基于支持向量机的轴承表面缺陷检测算法,该算法把轴承中的非缺陷区域和缺陷区域分别看作两种不同的纹理模式,利用主成分分析法(PCA)对图像进行降维处理,然后用支持向量机方法对两类不同的样本采样学习,进行分类判断。实验结果表明,该算法能够较好地实现轴承缺陷的检测分类,有着深入研究的价值。     

基于最小二乘支持向量机的PID参数整定研究

对PID控制提出了一种基于支持向量机的参数整定方法.用支持向量机辨识系统的非线性关系,并对之进行线性化.采用最小二乘的方法获取PID控制器的最优参数.通过对典型非线性系统的仿真,验证了该方法的有效性和可行性.     

基于支持向量机的彩色图像人脸检测

本文提出了一种彩色图像中的人脸检测方法,该方法先通过综合定位皮肤区域的一维Haar小波变换和幅度投影来进行特征判别分析(DFA),然后再利用支持向量机(SVM)分类器和贝叶斯统计分析法来区分人脸和非人脸.实验结果表明,该算法鲁棒性强,正确检测率高.