采用多层核学习机的柴油机气门机构故障诊断

针对柴油机缸盖振动信号的非平稳性以及多种气门故障的线性不可分问题,提出了一种组合核主元分析和支持向量机的多层核学习机方法。该方法使用核主元分析技术从原始特征中提取非线性主元,将其输入到由"一对多"算法构建的支持向量机多分类器中,实现了多种气门故障的定量诊断。试验结果表明,在小样本条件下,该方法能准确识别气门机构的6种状态,且识别精度及测试速度均优于单独使用多类支持向量机方法。     

基于KPCA与模糊积分的燃气轮机状态识别方法

针对舰用燃气轮机结构复杂、工作环境恶劣,难以对其状态进行有效识别问题,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和模糊积分相结合的状态识别新方法。采用专用试验平台对舰用燃气轮机进行试验,获取其不同工况下的高压转子转速、低压转子转速、涡轮后排气温度及机匣振动等9个状态表征参数的原始信息,采用KPCA方法提取其状态表征参数的不同核主元,构建特征向量空间。并由提取的核主元特征向量分别创建GRNN,Elman神经网络状态识别模型,对燃气轮机状态进行识别。在此基础上,采用模糊积分方法对两种状态识别结果进行决策层融合,得到唯一的状态识别结果,提升了状态识别准确率。研究表明,采用核主元分析和模糊积分相结合的方法,能有效识别出舰用燃气轮机健康与故障状态,具有很好的实际应用价值。     

基于LMD与改进SVM的轴承故障诊断方法

针对轴承振动信号故障特征信息实际提取困难的问题,基于局部均值分解(LMD)与改进支持向量机(SVM)提出了轴承故障诊断方法.对所采集的轴承振动信号进行局部均值分解,得到若干乘积函数的分量.计算各乘积函数的能量,选取能量百分比值作为识别故障的特征值.针对支持向量机不能自适应选择核函数参数和惩罚因子的问题,利用细菌觅食优化算法对支持向量机进行参数优化.将特征值输入改进支持向量机模型,对轴承故障状态进行识别.试验结果表明,相对于传统支持向量机模型和隐马尔可夫模型,采用所提出的轴承故障诊断方法,对轴承故障的识别准确率提高7个百分点以上,由此验证了所提出的轴承故障诊断方法的可靠性.     

基于EMD和AR奇异值的柴油机故障诊断

针对柴油机振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、自回归(Auto Regression,AR)模型和支持向量机(Support Vector Machine,SVM)相结合的柴油机故障诊断方法.运用经验模态分解方法对柴油机失火及气阀机构不同工况下的缸盖振动信号进行分析,计算各个内禀模态函数(Intrinsic Mode Functions,IMF)的AR模型参数向量以此组成初始特征向量矩阵,再计算此初始特征向量矩阵的奇异值,并将其作为支持向量机的输入特征向量以判断柴油机的工作状态和故障类型.试验结果表明:该方法在小样本情况下也具有较高的精度和较强的泛化能力.     

基于支持向量机的张弦梁损伤识别试验

对单榀张弦梁的索力损失和腹杆损伤进行了试验研究.对拉索加载不同程度的预应力来模拟索的预应力损失,利用环境脉动和冲击激励,通过采用Fourier变换或小波变换求得索的频率来计算施加在索上的预应力值.试验结果表明,该方法可以有效地监测索预应力.对张弦梁的上部腹杆进行了环境脉动下的损伤试验,对不同的杆件沿径向进行相应程度的截面切割用以模拟不同程度的损伤状态.对加速度样本进行小波包分解得到特征向量,利用支持向量机对特征向量进行损伤分类,验证了支持向量机方法用于损失识别的有效性.当支持向量机和主成分分析结合后,试验的损伤识别效果有明显的提高.     

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。     

基于KPCA和MKL-SVM的非线性过程监控与故障诊断

利用核主元分析非线性过程监控的优势,结合多重核学习支持向量机在故障诊断方面的准确性,提出了基于核主元分析和多重核学习支持向量机的非线性过程监控与故障诊断方法。该方法运用核主元法对数据进行处理,在特征空间构建T2和SPE来检测故障的发生,若有故障发生,则计算样本的非线性主元得分向量,将其作为MKL-SVM的输入值,通过MKL-SVM的分类进行故障类型识别。将上述方法应用到Tennessee Eastman(TE)化工过程,多种故障模式的仿真结果表明该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

冷轧过程断带故障的诊断研究

在冷轧过程中,断带故障是冷轧工序的主要生产故障之一。针对冷轧过程断带故障的特点,提出一种基于核主元分析(KPCA)非线性特征提取和最小二乘支持向量机(LSSVM)分类的故障诊断方法。此方法采用KPCA理论将冷轧过程原始空间数据映射到高维空间,并在高维空间进行主元分析,从而降维、去相关性,得到冷轧过程非线性特征向量。将降维后的特征主元作为LSSVM输入进行训练和识别,根据LSSVM的输出结果判断冷轧过程工作状态与故障类型。仿真结果表明:基于KPCA非线性特征提取和LSSVM分类的故障诊断方法计算速度快,能有效地提取冷轧过程断带故障特征,识别断带故障类型。     

基于多特征融合的刀具磨损识别方法

针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了（尤其在小样本下）刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率。     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于时频图像极坐标增强的柴油机故障诊断

针对柴油机不同部位的机械故障特征容易混淆且呈现非平稳循环特征的特点,提出了一种基于时频图像极坐标增强的柴油机故障诊断方法。将振动信号Gabor变换的时频特征通过等角度采样映射为极坐标图上某一区域的显著增强的特征,实现了周期瞬态特征的增强。提取不同技术状态振动信号6个工作循环内的极坐标图上区域能量特征作为故障特征参数,输入支持向量机进行分类训练和模式识别。试验结果表明,针对柴油机的5种典型故障,该方法能显著增强故障特征,有效提取故障特征信息,准确识别出不同类型的磨损故障。     

基于KPCA和PSOSVM的异步电机故障诊断

针对异步电机故障振动信号具有较强的非线性特征,而传统的线性分析方法易造成振动信号非线性成分的丢失这一情况,提出一种核主元分析和粒子群支持向量机相结合的异步电机故障诊断方法。利用核函数实现输入空间到高维特征空间的非线性映射以及对映射数据的主元分析,得到原始样本的非线性主元,实现特征提取和数据压缩,将获得的核主元特征通过支持向量机进行模式识别。采用距离比值法和粒子群算法分别对核主元分析和支持向量机的参数进行双重优化选择。实验结果表明,该方法能有效提取故障信号的非线性特征,具有较强的非线性模式识别能力,相比主元分析和支持向量机方法,分类效果更好,实时性更强,可快速有效实现异步电机故障诊断。     

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.     

运用HHT边际谱的柴油机故障诊断

提出了一种基于希尔伯特-黄变换(Hilbert-Huang transformation,简称HHT)边际谱的柴油机故障诊断方法。在3110柴油机上进行了气门间隙变化和断油等故障的模拟试验,测取了柴油机在断油工况和气门间隙异常工况下的气缸盖振动信号,并采用抽区间采样分析法对缸盖振动信号进行了时域特性分析。通过对故障敏感段信号的HHT边际谱分析,得出了在各工况下信号随时间和频率变化的精确表达,并以边际谱的最大峰值作为特征向量,采用马氏距离(Mahalanobis距离)进行分类,判断柴油机的工作状态和故障类型。试验分析表明,该方法即使在小样本的情况下也能有效地识别柴油机气门间隙变化和断油故障。     

基于灵敏度分析的支持矢量机特征选择

特征选择可以去除冗余特征提高机械故障诊断精度和诊断效率。对于支持矢量机(SVM)作为故障决策器, 提出基于特征灵敏度分析的特征选择方法。此方法通过分析候选特征子集对SVM输出的影响大小,以此作为特征选择标准,并采用遗传算法搜索最佳特征子集。数值仿真和柴油机故障特征选择试验结果显示此方法有较好的寻优特征子集的能力,能够提高故障诊断的精度和效率。     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

运用改进二叉树SVM算法的柴油机振动诊断

提出了一种改进的二叉树支持向量机(support vector machines,简称SVM)算法,用以克服二叉树SVM构造时各级正类样本选择缺乏理论指导的问题。基于最易分割类应最先分割的思想,该方法在定义特征参数类识别率概念的基础上,首先逐级计算每个特征参数对各级SVM所对应各类训练样本的类识别率,然后选择类识别率综合排序结果处于第1位的样本类作为相应级SVM的正类。从缸盖振动信号包络幅值域参数和小波包分解频带能量百分比参数中选取了对气阀故障较为敏感的9个特征,形成了诊断特征向量,使用常用的1-a-r,1-a-1,DDAG以及改进的二叉树SVM多分类方法对6种气阀间隙状态进行了诊断,结果表明,本文提出的改进二叉树SVM方法具有最好的分类效果。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

Intelligent fault diagnosis method for marine diesel engines using instantaneous angular speed

The normal operation of marine diesel engines ensures the scheduled completion and efficiency of a trip. Any failures may result in significant economic losses and severe accidents. It is therefore crucial to monitor the engine conditions in a reliable and timely manner in order to prevent the malfunctions of the plants. This work describes and evaluates the development and application of an intelligent diagnostic technique based on the integration of the empirical mode decomposition (EMD), kernel independent component analysis (KICA), Wigner bispectrum and support vector machine (SVM). It is an extension of the previous work on the fault detection for a diesel engine using the instantaneous angular speed (IAS). In this study, in order to solve the underdetermined blind source separation (BSS) problem the combination of EMD and KICA is firstly presented to estimate IAS signals from a single-channel IAS sensor. The KICA is also applied to select distinguished features extracted by Wigner bispectrum. The SVM is then employed for the multi-class recognition of the marine diesel engine faults in an intelligent way. Numerical simulations using a 6-cylinder engine model and real IAS data measured on the ship named ??Hangjun 20?? are used to evaluate the proposed method. Both the numerical and experimental diagnostic results have shown high efficiency of the proposed diagnostic method. Distinct fault features of the IAS signals have been extracted by the EMD-KICA and Wigner bispectrum, and the fault detection rate of the SVM is beyond 94.0%. Thus, the proposed method is feasible and available for the fault diagnosis of marine diesel engines.     

基于可变风险SVM模型的柴油机故障诊断技术

针对传统故障模式识别方法不能区别不同误判所造成损失不同的问题,提出了可变风险支持向量机(SVM)模型,对传统SVM模型的最优分类面进行重新设计,在利用实际数据识别故障的同时融入专家经验,使故障识别结果更具可靠性,该方法已成功应用于柴油机故障诊断.