基于小波包信息熵和SO-SVM的滚动轴承故障诊断

针对滚动轴承振动信号的特征提取和故障诊断，提出了一种基于小波包信息熵和蛇优化算法（SO）优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号，构建小波包的能谱熵和系数熵，将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别，输出诊断结果。通过仿真实验表明，此方法对五组不同的样本诊断准确率达到99.17%~100%，且相比于果蝇算法优化支持向量机（FOA-SVM）和粒子群算法优化支持向量机（PSO-SVM）具有更高的故障识别分类效果。     

基于谐波诊断技术和CNN-LSTM的电机故障诊断*

提出一种谐波诊断技术与卷积神经网络(CNN) 长短期记忆神经网络(LSTM)相结合的模型，采用该模型对电机异常、劣化进行诊断。高次谐波是导致电机设备异常、劣化的关键性因素之一，对其进行归纳、总结、验证并提取故障特征值，形成了专家系统，该系统在电机故障诊断已有大量应用，但存在组网复杂、成本高等缺点。因此，CNN-LSTM网络利用各次谐波进行特征提取分析，进而进行诊断，最后与专家系统对比以验证模型的准确率。其中，谐波技术与CNN-LSTM相结合的模型的相关决定系数R2和均方根误差MSE分别在95%以上和0.5%以内，表明以谐波诊断技术为基础的CNN-LSTM网络用于电机故障诊断系统具有可行性，能够提高诊断效率，节约成本。