小波支持向量机多分类器在轴承性能退化评估中的应用

为了准确地对轴承性能退化过程数据进行评估,将Mexican hat小波函数引入支持向量机多分类器中,提出一种小波支持向量机多分类器.并基于平移不变核函数条件,给出该小波函数为容许核函数的证明.根据"一对多"算法建立支持向量机多分类器.通过对内圈故障和滚动体故障的轴承性能恶化过程中数据的分析,表明小波支持向量机具有比BP(back propagation)神经网络、RBF(radial basis function)核函数支持向量机更高的分类正确率.     

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%.     

改进投票策略的Morlet小波核支持向量机及应用

主要研究了现有支持向量机存在的问题,提出基于贝叶斯优化投票策略和Morlet小波作为核函数的改进方法.通过贝叶斯优化改进支持向量机分类投票策略,实现对不可分区域数据的有效分类.通过建立Morlet小波核支持向量机,使向量机更加适合冲击非线性信号的分类,并用一个滚动轴承的实例说明方法的鲁棒性和可靠性.     

基于混合核函数支持向量机的齿轮诊断方法研究

支持向量机是一种基于统计学习理论的新型机器学习方法,它具有在训练样本很少的情况下达到很好的分类效果的优点.把支持向量机技术应用于齿轮故障诊断,通过预先使用局部、全局核函数支持向量机的分类结果适当选取各自在混合函数中的权重,来作为混合核函数进行支持向量机分类.实验和数据分析证明,使用混合核的支持向量机比单独使用全局或局部...     

应用自适应Morlet小波和NGA优化SVM的轴承故障诊断

小波和小生境遗传算法（niche genetic algorithm,简称NGA)优化支持向量机（support vector machine,简称SVM)实现滚动轴承故障诊断的新方法。首先,采用自适应Morlet小波方法提取出最佳尺度附近的3个信号分量作为特征信号,分别计算它们的Shannon能量熵值作为特征量得到样本集,作为SVM的输入向量,并用样本集训练1-v-r SVM;然后,再构造一种新的核函数,并用NGA在SVM训练过程中对核函数参数进行优化,提高SVM学习机器的分类性能;最后,将本研究方法用于对含有较强噪声的实际滚动轴承的内圈、外圈、滚珠故障样本进行了分类识别。结果表明,该方法具有较好的抗噪和分类能力,验证了其有效性和可行性。     

基于多类超球支持向量机的铣削颤振预测方法

为了预测薄壁件铣削过程颤振的发生,提出了一种应用小波系数特征和多类超球支持向量机进行铣削颤振预报的方法.首先基于连续小波变换分别提取高、低频段铣削振动信号的特征,然后利用多类超球支持向量机进行稳定铣削状态、铣削颤振孕育状态、铣削颤振状态识别.为了简化支持向量机进行多类分类时所带来的计算复杂性,该算法使每一类样本都获得一个超球支持向量机,在特征空间中以测试样本与超球中心距离、超球半径作为决策函数来进行识别.实验表明,在铣削颤振识别系统中多类双核超球支持向量机与连续小波系数特征向量相结合具有良好的识别效果,颤振孕育预报正确率达98.0％.     

基于连续小波和多类球支持向量机的颤振预报

研究了一种应用连续小波特征和多类球支持向量机进行铣削系统颤振预报的方法,该方法基于连续小波变换提取铣削振动信号的特征,利用多类球支持向量机对正常铣削状态、颤振孕育状态和颤振爆发状态的振动信号进行三分类识别,通过识别颤振孕育状态预测颤振爆发。试验结果表明,在铣削颤振识别与预测中,铣削振动信号的连续小波特征与多类球支持向量机相结合具有良好的识别颤振孕育状态和颤振爆发状态的能力,颤振孕育状态的识别正确率达95.0%,颤振爆发状态的识别正确率达97.5%。     

基于自适应小波分解和SVM的模拟电路故障诊断

为了降低模拟电路参数故障的测试难度,提出了基于自适应小波分解和SVM的模拟电路故障诊断的新方法,该方法对电路故障响应进行小波分解提取最优故障特征,母小波的选择是根据被测电路的正常响应和故障响应小波系数之差的最大均方根原则,并引入支持向量机对故障进行分类识别.小波分解具有自适应性,支持向量机结构简单,泛化能力强.实验结果证明了所提的基于自适应小波分解和SVM的模拟电路故障诊断方法是有效的,其故障诊断率大于96.8%.     

基于扩展的径向基函数核支持向量机的产品销售预测模型

针对产品销售时序具有多维度、非线性的特征,通过设计一种扩展的径向基函数核函数,将其应用于支持向量机中,得到一种扩展的径向基函数核支持向量机;设计了一种改进的免疫优化算法对其参数进行寻优.将该方法应用于汽车销售预测实例中,并与反向传播神经网络、采用一般径向基函数核的支持向量机及多尺度支持向量机进行了比较.实验结果表明该方法可行有效,其预测精度优于其他三种方法.     

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。     

A hybrid intelligent multi-fault detection method for rotating machinery based on RSGWPT,KPCA and Twin SVM

This paper proposes a hybrid intelligent method for multi-fault detection of rotating machinery, in which three methods, i.e. including the redundant second generation wavelet package transform (RSGWPT), the kernel principal component analysis (KPCA) and the twin support vector machine (TWSVM), are combined. Firstly, RSGWPT is used to extract feature vectors from representative statistical characteristics in the decomposition frequency band, and then the KPCA in the feature space is performed to reduce the dimension of features and to extract the dominant features for the following classification. Finally, a novel support vector machine, called twin support vector machine is used to construct a multi-class classifier. Inputting superior features to this classifier, the condition of the monitored machine component can be determined. Experimental results demonstrate that the proposed hybrid method is effective for multi-fault detection of rotating machinery. The TWSVM is also indicated that has better classification performance and faster convergence speed than the normal SVM.     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

基于矩不变量与SVM的滚动轴承故障诊断

针对滚动轴承故障识别问题,提出了基于矩不变量和支持向量机的智能诊断方法。该方法采用连续小波变换对滚动轴承信号进行分析,然后提取出小波灰度图的7个矩不变量作为故障特征,最后将特征向量输入到支持向量机中,以实现对不同的滚动轴承故障类型的识别。试验结果表明,该方法能有效地提取故障特征,同时可获得较好的分类效果。     

基于支持向量机和小波分解的气体识别研究

提出将支持向量机应用到气体种类识别的研究中，并建立小波分解提取特征量和支持向量机识别气体种类的气体定性分析模型。通过小波分解提取半导体气体传感器在温度调制下的动态响应特性的特征量，分别使用不同核函数和不同结构的支持向量机建立判断特征量与气体种类的模型。实验结果说明使用支持向量机进行气体成分定性识别的效果优于同结构的神经网络，且对支持向量机自身结构的选择不敏感，适合于对多组分气体定性分析研究。建立的模型在分辨力为13ppm（对CO）和15ppm（对Hz）的条件下，对单一氢气、一氧化碳及其混合气体的识别率可达98％，适合于工程应用。     

基于多个太赫兹时域光谱系统的物质识别方法

提出了一种基于多个太赫兹时域光谱系统(THz-TDS)的物质识别方法。将来自不同THz-TDS的光谱数据,通过小波变换去除基线及噪声等干扰信息,并用3次样条插值将不同的采样频率映射到相同的频率上,从而得到标准化后的光谱数据。将此光谱作为支持向量机(SVM)的特征向量,选择合适的核函数并用网格搜索法寻找最优SVM参数,最终得到98.33%的识别准确率。该方法对于准确识别物质具有重要的参考价值。     

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EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

Multi-fault diagnosis study on roller bearing based on multi-kernel support vector machine with chaotic particle swarm optimization

A novel intelligent fault diagnosis model based on multi-kernel support vector machine (MSVM) with chaotic particle swarm optimization (CPSO) for roller bearing fault diagnosis is proposed. Multi-kernel support vector machine is a powerful new tool for roller bearing fault diagnosis with small sampling, nonlinearity and high dimension. Chaotic particle swarm optimization is developed in this study to determine the optimal parameters for MSVM with high accuracy and great generalization ability. Moreover, the feature vectors for fault diagnosis are obtained from vibration signal that preprocessed by time-domain, frequency-domain and empirical mode decomposition (EMD) and the typical manifold learning method LTSA is used to select salient features. The experimental results indicate that this proposed approach is an effective method for roller bearing fault diagnosis, which has more strong generalization ability and can achieve higher diagnostic accuracy than that of the single kernel SVM or the MSVM which parameters are randomly extracted.