基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

基于支持向量机的异步电机故障诊断系统

电机故障将造成巨大的经济损失,甚至于人身安全.一个准确的故障诊断系统能够最大程度地降低风险,有利于生产、生活的正常进行.阐述了支持向量机(SVM)及最小二乘支持向量机(LS-SVM)算法的原理,研究了基于LS-SVM的异步电动机故障诊断,比较了正常状况与3类故障的不同,并对3类故障进行了自动分类,测试了分类结果.实验表明,基于SVM的异步电机故障诊断可靠性好,实用性强,验证了SVM的优越性.     

基于小波包分析和LS-SVM的钻削刀具状态识别研究

为了有效地识别钻削刀具磨损状态,提出一种基于小波包分析和最小二乘支持向量机(LS-SVM)的状态识别方法。通过在线监测钻削加工过程中的钻削轴向力和刀具状态,采用时域分析、频域分析以及小波包分析法对刀具磨损状态的信号进行特征向量提取,建立基于最小二乘支持向量机(LS-SVM)的分类识别模型。通过试验验证了该方法可以提高刀具磨损状态的识别精度。     

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LS-SVM的挖掘机磨损状态监控

为了减少挖掘机磨损,延长内部机件的使用寿命,需要对挖掘机采用润滑措施.因此对液压油进行油液监控显得格外重要.通过对液压油本身的分析与液压油携带的磨损颗粒分析,可达到对挖掘机工作状况的实时监控,从而及时地对挖掘机潜在故障进行预报并及时排除.考虑到时间与金属磨损量的关系,我们需要研究润滑油中金属含量的变化趋势,该文提出了一种基于LS-SVM预测模型对挖掘机液压油中铁元素含量值的时间序列变化趋势进行分析预测,通过与时间序列预测模型进行比较,能够很好地确定铁元素在磨损过程中的变化趋势,从而准确地监控挖掘机工作状态.     

应用模糊最优小波包和LS-SVM的模拟电路诊断

为解决模拟电路故障诊断中的特征提取困难并对模拟电路故障信号进行有效的分类,提出了一种结合模糊理论、小波包分解和最小二乘支持向量机(LS-SVM)的模拟电路诊断方法。该法首先对模拟电路的响应信号进行小波包分解,并引入模糊准则对其优化,得到由分类能力强的最优小波包基能量值构成的特征集,然后将特征集输入LS-SVM网络,实现对不同故障类型的识别。小波包的优化分解减小了LS-SVM网络的规模,从而降低了算法复杂度,加快了网络的训练时间和分类速度。模拟诊断实例表明,此方法能快速有效地实施模拟电路的故障定位。     

基于谐波小波包和BSA优化LS-SVM的铣刀磨损状态识别研究

针对铣削刀具磨损状态识别问题,提出谐波小波包和最小二乘支持向量机（LS-SVM）的状态识别方法。为克服传统小波包分解的频带交叠问题,采用谐波小波包提取不同磨损状态下铣削力信号的各频段信号能量,归一化处理后,输入LS-SVM多类分类器,实现铣削刀具磨损状态的识别。针对LS-SVM的惩罚因子和核参数对模型识别精度影响较大的问题,提出回溯搜索算法（BSA）进行自动参数寻优。实验结果表明,谐波小波包比小波包在刀具磨损状态特征提取时具有更好的识别效果。与粒子群算法进行比较,证明BSA优化LS-SVM具有更高的识别精度。     

往复泵泵阀的谐波小波包分析及LS-SVM方法研究

针对往复泵泵阀冲击振动信号的非平稳特性,运用谐波小波包能量特征提取和最小二乘支持向量机(LSSVM)相结合的方法识别泵阀故障。通过对泵阀冲击振动信号进行谐波小波包分解,提取各频段谐波小波包系数的能量值,将各频段能量值组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,并将谐波小波包与小波包在泵阀故障诊断中的诊断准确率进行了比较。试验结果表明将谐波小波包分解和LS-SVM相结合可以准确有效地识别泵阀故障类型。     

基于支持向量机的往复泵泵阀故障诊断方法

提出一种基于支持向量机的往复泵泵阀故障诊断方法。该方法将泵阀振动信号的小波包变换系数作为特征向量，输入到由多个支持向量机构造的一个多值分类器中进行故障模式分类。试验结果表明，该方法不仅可以对发生故障的单个泵阀进行诊断，而且还能对同时发生故障的多个泵阀进行诊断。与常用的人工神经网络方法比较，该诊断方法具有更好的有效性、鲁棒性和推广性，在机械设备故障诊断中有很好的应用前景。     

基于变分模态分解的风电齿轮箱轴承故障诊断方法

双馈异步风力发电机采用变转速变桨距的控制策略以保持风力最大功率捕获,风电齿轮箱时刻处于变速变载的恶劣工况,其关键部件极易受到损伤.针对齿轮箱轴承故障特征易受到风机变工况干扰的问题,提出了一种变分模态分解与瑞利熵相结合的特征分析方法,实现对风电齿轮箱高速轴轴承健康状态系数的估计.本文以双馈异步风机齿轮箱高速轴轴承作为研究...     

基于DSP的风力发电机齿轮箱故障诊断系统的研究与应用

风力发电机齿轮箱是风力发电机组中发生故障频率最多的部件。针对齿轮箱振动信号大多为非平稳的特征,设计了以DSP-TMS320F28335(简称F28335)为核心处理器的风力发电机齿轮箱故障诊断系统,该系统可以脱离上位机独立运行。利用F28335及其丰富的外设模块构建了系统的硬件平台,其中包括对模拟信号采集、频率信号、数字信号采集的相关模块,并具有以太网、CAN总线的通信功能。采集的信号经过DSP嵌入式EMD分解算法将振动信号分解成IMF分量,并对IMF分量进行Hilbert变换,进而获得精确的信号Hilbert边际谱图,依据Hilbert边际谱图得到设备潜在故障信息。经试验表明本系统能够有效的诊断齿轮箱故障。     

基于LSGAN和VMD-MPE-KELM的风机齿轮箱故障诊断

在实际工况中,风机齿轮箱的故障样本多呈现不均衡特征.为克服样本不均衡性给诊断效果带来的影响,提出了一种基于LSGAN(最小二乘对抗网络)和VMD-MPE-KELM的风机齿轮箱故障诊断方法.首先,采用LSGAN算法用于少数类故障样本的生成处理,将具备原始样本特征的生成数据扩充样本集使其分布均衡,采用VMD方法分解样本集中各类故障的振动信号,计算各模态分量的MPE多尺度排列熵值以提取信号特征;再通过KPCA方法降维处理,获得故障样本的特征向量,将其代入KELM模型诊断.实验表明,LSGAN算法克服了GAN在生成故障样本中梯度消失、训练不稳定和数据质量差等问题;VMD-MPE-KPCA方法可有效提取故障特征.该方法有效地提高了非平衡齿轮箱故障样本的诊断精度.     

风电机组齿轮箱故障分类方法研究

风电机组齿轮箱的运行工况复杂多变,很难获取大量的所有已知故障的样本数据,为了能够实现在无已知样本数据条件下的故障分类,提出了一种基于ART2神经网络和C-均值聚类算法的风电机组齿轮箱故障分类方法。首先利用ART2无监督神经网络实现样本数据的初步分类,再利用C-均值聚类算法对分类结果进行修正,克服了由于原始神经网络算法存在"硬竞争"导致分类精度下降的问题。分析结果表明提出的方法具有更高的分类准确度,能够对健康和不同故障类型的风电机组齿轮箱进行准确分类识别。     

基于混合时频分析方法的风电机组故障诊断

针对风电机组传动链系统振动信号非高斯、非平稳性的特点,提出了一种基于混合时频分析的风电机组故障诊断方法。该方法首先采用参数优化Morlet小波消噪方法对原始振动信号进行分析,滤除强大的背景噪声干扰;进而通过自项窗方法抑制时频面的干扰项,增强信号特征成分,提取故障特征以实现故障诊断。在Morlet小波参数优化过程中,采用交叉验证法优化波形参数及连续小波变换的尺度参数;在自项窗的设计过程中,采用基于平滑伪魏格纳分布的函数进行设计,并通过两次阈值处理以减少运算量、提高运算效率。通过对风电机组监测振动数据分析,证明了该方法可以有效地实现背景噪声的消除和故障诊断。     

KPCA法在风电机组齿轮箱故障诊断中的应用

将核主成分分析法应用于风电机组齿轮箱的故障诊断中,通过计算齿轮箱振动信号原始数据空间的内积核函数来实现原始数据到特征空间的非线性映射。利用某风场齿轮箱的正常工作状态、初期磨损状态以及断齿状态下的振动数据进行测试,对主成分分析法和核主成分分析法的分类结果进行了分析比较。实验结果表明,核主成分分析法能够有效地对齿轮故障信号进行特征提取和模式分类,更适合于故障信号非线性特征的提取。     

风力发电机齿轮箱故障诊断方法及信号仿真

针对风力发电机齿轮箱的故障,介绍常用的故障诊断方法,理论上分析齿轮箱故障振动信号的特征,并用MATLAB软件仿真其振动信号。对比正常运行与发生故障时的频域信号波形,并进行了一定的分析,为风力发电机齿轮箱的故障诊断提供了参考。     

风机齿轮箱状态监测与故障诊断系统设计研究

针对风力发电机组地处偏远、人工巡检排故困难,利用物联网技术开发了远程状态实时监测和故障诊断系统,分析了总体框架,构建了故障诊断规则库,阐述了工作流程.该系统可实现对风机齿轮箱运行状态的远程实时监测,通过分析风机齿轮箱运行状态信息触发自动故障诊断系统和基于规则的故障诊断,生成故障诊断报告,并将其导入专家经验库.经风电机组...     

改进阴性选择算法的风机振动故障诊断方法

为了正确、快速地判断风电机组振动故障类型,减小其对发电效率及人身财产安全的影响,提出了一种改进型阴性选择算法。在传统的阴性选择算法中引入马氏距离进行振动数据的初步筛选,并将算法应用于风电机组振动故障的预测。研究结果表明,改进的阴性选择算法可以更为快速、准确地判断风电机组振动的故障类型,诊断正确率达到97.5%,从而提高了风电机组运行的可靠性和发电效率。     

基于VC与Matlab的风力发电机组齿轮故障诊断系统

针对风力发电机组齿轮箱的故障特点,研发了一套齿轮的故障诊断软件.软件利用VisualC++和Matlab混合编程实现.采集了故障齿轮的振动信号并用该软件进行了时频分析、解调分析和倒谱分析,分析结果与实际故障吻合良好.