支持向量机及其在密闭鼓风炉故障诊断中的应用

针对密闭鼓风炉故障诊断中难以获得大量故障数据样本以及特征提取和诊断知识获取困难等不足,提出了应用支持向量机(SVM)进行故障诊断的新方法.采用改进"1对其余"算法构建多个SVM,利用可靠性数据分析技术中一些基本概念处理原始样本数据作为特征向量,输入到由多个SVM构成的多类分类器中进行故障分类.经实验证明,该方法简单,重复训练量少,训练、分类速度快,准确度高.     

基于RS和DWT—IOSVM的模拟电路故障诊断

针对以往故障诊断模型往往忽略故障数据中存在的大量无关和冗余信息以及故障诊断精度不高的缺点,设计了一种基于粗糙集(Rough Set,RS)和离散小波变换(Discrete Wavelet transform,DWT)一支持向量机(Support Vector Machine,SVM)的模拟电路故障诊断方法;首先,采用离散小波变换获取电路故障诊断特征向量以去除无关信息;然后通过基于RS属性出现频率的差别矩阵算法对特征向量进行属性约简以消除冗余属性;最后,建立多分类的SVM对电路进行分类以实现故障诊断,为了进一步提高故障诊断精度,采用改进免疫优化算法(Immune Optimizing Algorism,IOA)对SVM核函数的各参数进行优化;仿真实验表明,文中方法能有效实现电路的故障诊断,与其它方法相比,故障精度高达100%,是一种有效的电路诊断方法。     

基于DCT和GA-SVM的轴承故障诊断

针对轴承故障振动信号特点,提出一种基于离散余弦变换(DCT)、遗传算法(GA)和支持向量机(SVM)的轴承故障诊断方法.利用DCT的能量聚集性在广义频域建立原始特征向量集,运用GA以SVM的最低分类错误率为目标函数建立故障特征向量集,使用SVM完成轴承故障诊断.分别对轴承内圈故障、外圈故障、滚动体故障进行故障诊断,结果表明,该方法能够准确诊断轴承故障.     

集成阀门运行故障诊断方法仿真研究

针对集成阀门故障诊断在工业过程控制中的需求以及阀门故障信号特征的非线性和非平稳性的特点,提出了一种融合概率主元分析与改进SVM的集成阀门故障诊断方法。采用概率主元分析(PPCA)对故障样本进行主元特征提取,解决了信号维数难以确定的难题,训练"一对一投票"的多类SVM分类器提高了诊断准确率。实验结果表明,方法不仅有很高的正确诊断率,而且对自相关性较严重的阀门故障信号也有较好的诊断效果,对提高现代工业阀门控制过程的稳定性和持续性有一定的指导意义。     

基于SVDD和D-S理论的模拟电路故障诊断

为解决模拟电路故障诊断复杂多样难于辨识的问题和有效提高诊断准确度及速度,提出了一种融合支持向量数据描述(SVDD)算法和D-S证据理论的故障诊断方法。首先,对采集信号进行基于局部判别基的Haar小波包变换,依据判别测度选取判别能力强的前5个节点的标准能量构成特征集。然后利用SVDD算法求出特征集对于不同类别的基本信任分配函数,最后利用证据理论对不同基本信任分配函数进行组合得到最终故障诊断决策。将该方法应用于两级四运放双二次低通滤波器电路进行故障诊断,实验结果表明该方法能够准确迅速诊断出模拟电路中的故障;与基于SVDD多分类算法、一对一(o-v-o)SVM和一对多(o-v-a)SVM分类算法的故障诊断方法进行比较,本方法能够提高模拟电路故障诊断的精度;比采用o-v-o SVM和o-v-a SVM分类算法的故障诊断方法有更快的诊断速度。     

基于WPA-SVM的多分类故障混合诊断模型

针对目前机械故障诊断中难以进行特征提取和常规SVM算法诊断多类分类问题时存在困难等问题,提出了结合了WPA理论和基于二叉树的多级SVM分类器的WPA-SVM多分类故障混合诊断模型。采用小波包分析对机械信号提取频域能量特征向量,通过训练多个依赖故障优先级的基于二叉树的多级SVM分类器中,找到样本中的支持向量,并以此决定超平面。然后根据最优分类平面,对测试集的样本进行故障诊断。通过对两种不同特征提取方法、三种不同SVM识别策略的实验比较结果可知,该方法是有效的。     

基于WP-ICA及SVM的齿轮故障诊断研究

针对旋转机械设备齿轮故障诊断问题,为全面提取反映齿轮运行状态的特征信息,提出了基于WP(小波包)与ICA(独立成分分析)相融合的特征提取及SVM(支持向量机)相适配的故障诊断方法。用小波包对信号进行分析并提取其能量特征,采用独立成分分析方法对提取的能量特征进一步优化,进而得到反映齿轮运行状态的特征向量。最后采用支持向量机对齿轮运行状态的四种类型(正常、轻微故障、中等故障、断齿故障)进行诊断评估。通过纵向比较和横向比较研究表明,所提特征提取方法较单一的小波包特征提取方法更能全面反映齿轮状态信息。采用SVM方法进行齿轮故障模式诊断,较其它方法具有更高的分类准确率,达到了很好的诊断效果。     

PCA-SVM在模拟电路故障诊断中的应用

主元分析法(PCA)通过提取故障样本集的主元得到降维的特征空间,利于故障特征提取;支持向量机(SVM)应用于故障诊断时具有良好分类性能;结合两者优点,提出了基于PCA特征提取和SVM相结合的模拟电路故障诊断识别新方法:对电路输出响应信号进行PCA处理,提取故障特征的主成分,然后利用多类SVM对故障模式进行分类决策,实现故障诊断;仿真实验结果表明,该方法能够实现模拟电路故障的快速检测与故障定位,具有速度快、精度高、鲁棒性好的特点。     

基于SVM集成学习的网络故障诊断方法

针对现有支持向量机(support vector machine,SVM)多分类方法在网络故障诊断中识别精度较低的问题,提出一种基于二叉树结构和模型二重扰动的SVM集成学习算法;通过集成学习思想提高网络故障诊断的精度;在集成过程中对二叉树结构和核参数进行扰动,加大个体分类器的差异度,提升了诊断模型的泛化性;在实际网络中的诊断实验表明,所提的方法较二叉树等其它SVM多分类方法具有更高的诊断精度。     

PCA特征抽取与SVM多类分类在传感器故障诊断中的应用

为了提高传感器故障诊断的准确率,提出了基于主元分析(PCA)特征抽取和支持向量机(SVM)多类分类的故障诊断方法.该方法通过对传感器输出信号进行小波包分解产生原始特征数据,然后采用PCA特征抽取得到二次特征向量,增强传感器各个状态模式的可分性.二次特征输入到二叉树SVM多类分类算法设计的分类器实现传感器故障诊断.仿真实验结果表明,这种结合了PCA特征抽取和SVM分类的诊断方法准确率高,其诊断效果优于直接采用原始特征进行分类的情况.     

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，支持向量机（SVM)是一种基于统计学习理论(SLT)的机器学习算法，它能在训练样本很少的情况下达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．     

支持向量机在机械故障诊断中的应用研究

在机械故障诊断中,通常不具备有大量的故障样本,因此,制约了故障诊断技术向智能化方向发展。而基于统计学习理论(SLT)的支持向量机(SVM)方法正好克服了这方面的不足。统计学习理论是专门研究少样本情况下的统计规律及学习方法的理论。SLT理论和SVM方法为故障诊断技术向智能化发展提供了新的途径。该文讨论了支持向量机在故障诊断领域中应用的分类算法。并以滚动轴承的振动信号为例进行了试验论证。试验表明:SVM方法对具有少样本的故障诊断领域具有很强的适应性。     

模拟电路故障诊断的子空间集成方法

针对模拟电路故障诊断难的问题,提出交叉熵方法加权子空间特征集成支持向量机的模拟电路故障诊断方法。对跳蛙滤波电路的故障诊断仿真实验表明,该方法获得训练集和测试集的故障诊断率分别为89%和88.6%,相比常用的BPNN、GENN、O-V-O SVM和基于随机子空间方法的支持向量机故障诊断方法,能获得更高的故障诊断率。     

基于聚类支持向量机的船用污水处理装置故障诊断

针对船用污水处理装置状态监测与故障诊断问题,提出了一种聚类支持向量机的故障诊断算法模型。该算法模型首先采用神经网络聚类算法将设备监测状态样本空间聚类分析出正常与异常子空间,再对异常子空间构造多分类支持向量机对故障进行诊断识别。该算法模型避免了盲目故障分类,提高了分类性能。通过对某船用污水处理装置实测样本的训练和检验表明,该算法具有较好的泛化性和推广能力。     

模糊粗糙集在污水处理过程中的应用

污水处理过程是个典型的多变量、非线性、具有强外部干扰的复杂工业过程。因此,如何进行污水处理工艺过程的故障诊断成为一个研究课题。本文结合基于模糊粗糙集的属性选择方法及支持向量机分类机理．提出一种新的故障诊断方法。首先使用基于粗糙集的属性选择（FR-FS）对过程特征变量进行约简,去除数据中的噪声,并降低过程数据的维数,获得具有代表性的过程特征信息．同时充分利用SVM的良好推广性能．提高了预测分类精度。最后将改故障诊断方法应用于广州沥浯污水处理厂．仿真结果表明了该方法的优越性。     

结合DCT和SVM的故障诊断方法研究

针对故障诊断研究中,样本数据维数过高导致故障模式分类时SVM学习强度太大的问题,利用DCT方法在降噪处理时体现出“能量集中”和“高频抑制”的特性,提出一种基于DCT的SVM故障诊断方法。先对故障样本进行DCT降维,再利用SVM方法对主要维离散余弦系数进行模式训练来代替对故障样本的直接训练,从而大大抑制了噪声对故障分类的影响,同时也减少了诊断运算量,最后通过实验仿真验证了算法的有效性。     

支持向量机在模拟电路故障诊断中的应用

故障诊断发展的瓶颈之一是故障样本的缺乏,而不仅在于诊断方法本身。支持向量机是建立在结构风险最小原则基础上,专门针对小样本情况的,其目标是得到现在信息下的最优值而不仅仅是样本数趋于无穷大时的最优值。它能在训练样本很少的情况下达到很好的分类效果,从而为故障诊断技术向智能化发展提供了新的途径。介绍了支持向量机的二值分类算法,以支持向量机二值分类为基础,构建了基于支持向量机的多值分类器并应用于模拟电路故障诊断。以两管视频放大器的多种故障分类为例,进行了实际应用验证。结果表明,该诊断方法具有算法简单、可对故障在线分类,有很好的分类能力和较高的计算效率,不需要对原始数据进行预处理就可达到满意的效果。