基于拉普拉斯分值和超球支持向量机的轴承故障诊断方法设计

针对轴承振动信号中的故障信息往往很微弱,同时振动样本数据分布不平衡即故障样本占总样本数的比例低,从而导致故障诊断模型训练不精确而影响诊断精度的问题,提出了一种基于拉普拉斯分值和超球大间隔支持向量机的故障诊断方法;首先,采用有标签的训练样本数据和拉普拉斯分值法提取原始振动信号中的微弱故障信息,并降低其数据维数,从而得到用于故障诊断的特征向量,然后设计了一种改进的超球大间隔支持向量机的故障诊断模型,通过最小化超球体积和最大化超球边界和故障样本之间的间隔来实现故障诊断,以解决样本的不均衡问题,最终通过将测试样本数据代入决策方程并通过投票机制确定其故障类别;在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中方法能有效解决样本的不均衡情况下的故障诊断,且相对其它方法,具有诊断精度高和收敛速度快的优点.     

7500吨浮吊齿轮箱故障诊断系统的研究

针对7500吨浮吊齿轮箱故障诊断问题,将离散小波变换和Tikhonov支持向量机结合建立了一个浮吊齿轮箱故障诊断系统。在输入层对振动信号进行离散小波变换,提取不同频带的能量参数作为故障特征向量,利用这些特征向量进行Tikhonov支持向量机的学习,训练后的Tikhonov支持向量机诊断浮吊齿轮箱故障。实验结果表明,离散小波Tikhonov支持向量机具有很强的故障识别性能和鲁棒性,诊断精度优于常规的BP网络方法。     

基于特征层融合的模拟电路故障诊断方法

为了提高模拟电路软故障诊断精度,提出了基于特征层融合的模拟电路故障诊断方法.通过小波变换的频带能量和AR模型的系数生成故障的初始特征,利用线性判别分析提取特征,降低特征向量的维数,结合mRMR原则与支持向量机构成的组合特征选择方法,对降维后特征进行最优选择,输入到训练好的支持向量机多分类器中进行分类,从而降低特征的冗余,提高故障诊断的精度.以某车辆电压调节电路为例进行仿真分析,实验结果表明,该方法有很好的诊断能力.     

信息熵支持向量机算法传感器故障诊断研究

研究传感器系统故障诊断效率问题.针对传统故障诊断因传输信息大,速度慢,造成故障,定位不清.传统的方法提取的传感器系统特征信息不全面,导致诊断精度与速度不高.为有效提高传感器系统故障诊断的效率和精度,提出了一种能量信息熵的支持向量机系统故障诊断方法.故障主要难点技术问题在于参数选择优化问题.算法首先利用小波包对传感系统故障信号进行小波包分解,并提取小波包能量信息熵,以此构建输入特征向量;接着采用了支持向量机方法进行非线性特征向量提取,最后以特征向量来建立支持向量机智能化诊断模型.仿真结果表明,改进方法在所有参比模型中精度最高,能高效地对传感器故障进行检测与定位.具有较强的泛化能力,同时缩短了故障诊断时间.     

基于小波包能量谱和M-ary SVM的功率变换器故障诊断

针对功率变换器的故障诊断问题,提出一种基于小波包能量谱和M-ary支持向量机的故障诊断方法。首先,通过小波包分解得到故障信号能量谱特征向量,并结合傅里叶变换分析故障信号主要频率特征点,实现故障特征向量的降维;然后,基于M-ary支持向量机的分类模型诊断出功率变换器多故障模式。实验结果表明,相比于传统的BP神经网络和一对一支持向量机故障诊断方法,本文方法诊断精度高,需要的子分类器数目少,诊断速度快,适用于在线故障诊断。      

基于HMM-SVM的模拟电路早期故障诊断

针对模拟电路在故障预测与健康管理（PHM）系统中早期故障识别率不高的问题,提出了一种基于隐马尔科夫模型（HMM）和支持向量机（SVM）相结合的模拟电路故障诊断方法,利用HMM对动态连续信号的较强识别能力和SVM良好的模式分类能力解决模拟电路早期故障诊断问题。采用主成分分析（PCA）和K-means聚类算法对故障数据进行数据降维和特征提取,建立HMM与 SVM相结合的诊断模型进行故障诊断。仿真实验表明,HMM-SVM能很好地识别模拟电路早期故障,并对模拟电路中元件小范围参数变化的状态识别,相较单一HMM模型具有更高的准确率。     

基于支持向量机的矿井通风机故障诊断系统的研究

针对矿井通风机故障诊断过程中样本数据有限的特点,本文提出了一种基于支持向量机的矿井通风机故障诊断方法。支持向量机是一种机器学习方法,它对有限的样本数据具有良好的学习能力。采用支持向量机对样本数据通过学习形成故障分类器,利用该分类器对故障样本进行测试,得出矿井通风机的故障诊断结果。结果表明：支持向量机对有限样本数据具有良好的推广能力,最终达到了快速并准确地诊断矿井通风机故障的目的。     

基于支持向量机的数字电路故障诊断研究

为了解决因缺少大量故障数据样本而制约数字电路故障智能诊断发展的问题,提出了一种基于支持向量机的故障诊断仿真模型.由FPGA仿真产生数字电路,由PCI-72001/O卡进行采集.支持向量机建立在VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷.在选取诊断模型输入向量时,对故障信号进行筛选,简化了故障特征向量的提取.仿真结果表明支持向量机可以有效地对数字电路故障进行诊断.     

基于能量熵对SVM的电路故障诊断

研究电路故障诊断问题,提高诊断效率.由于电路集成度提高,电路信号与故障相关,针对传统故障诊断因采用线性诊断方法与提取的电路特征信息不全面,导致诊断定位精度不高,为有效提高电路故障诊断的速度与精度,提出了一种根据小波包能量熵的支持向量机电路故障诊断方法(EE-SVM).首先利用小波包对电路故障信号进行3层的小波包分解,并提取小波包能最熵,构建输入特征向量.对于支持向量机进行非线性特征向量汰选,去除冗余特征,以保留特征向量构建智能化诊断模型.进行实例仿真,结果显示,方法在所有参比模型中精度最高,能高效地对电路故障进行检测与定位.     

基于融合特权信息支持向量机的模拟电路故障诊断新方法

针对模拟电路故障诊断复杂多样难于辨识的问题,提出了基于融合特权信息支持向量机的模拟电路故障诊断新方法。首先对采集的信号进行主成分分析(PCA)——特征提取;然后将训练集输入融合特权信息支持向量机进行训练获得故障诊断模型;最后将测试集输入训练好的支持向量机分类模型,实现对不同故障类型的识别。Sallen-Key滤波电路故障诊断仿真实验结果表明,该方法有效提高了分类的性能,不仅能够正确分类单故障而且能够有效分类多故障,其中单硬故障情况下平均故障诊断率达到了99%以上,为模拟电路故障诊断提供了新的途径。     

基于IAGA-SVM的捣固车液压系统故障诊断研究

针对传统液压系统故障诊断方法受人为因素影响较为严重,故障成因相对复杂等问题。提出一种改进的自适应捣固车液压系统故障诊断方法。首先,从捣固车的车载数据中采集系统抽取出来的故障特征值。其次,将特征值输入支持向量机(SVM)模型中进行训练,同时对核函数和惩罚系数做出优化。最后,应用自适应支持向量机建立从特征向量到故障模式之间的映射,最终做到对液压系统的故障诊断。结果可得,此方法可以准确高效地诊断出故障类型,证明了此方法的实用价值。此外,经过与GA-SVM以及AGA-SVM的对比剖析,表明了IAGA-SVM方法在故障诊断领域中的卓越性。     

基于谐波小波包和IAGA-SVM的滚动轴承故障诊断

传统方法在诊断滚动轴承故障时受人为因素影响,故障成因复杂,因此在已有理论上提出一种基于谐波小波包和自适应支持向量机相结合的捣固车故障诊断方法。谐波小波包对不同故障下的振动信号展开分解及重构后所提取的频带能量即为特征向量,再把特征值输入支持向量机(SVM)模型中训练并对核函数和惩罚系数进行优化。用自适应支持向量机构建从特征向量到故障类型间的对应,从而完成滚动轴承故障的诊断。该方法能高效准确地诊断出故障类型且有实用价值。通过与GA-SVM及AGA-SVM对比,证明此方法在故障诊断领域中的卓越性。     

基于混合核学习支持向量机的主减速器故障诊断

主减速器是汽车的重要零部件,同时也是汽车主要的故障源,据此实现一种基于混合核学习支持向量机的故障诊断方法。利用经验模态分解(EMD)与小波阈值函数,以达到对振动信号降噪。利用核主成分分析(KPCA)进行特征向量的提取,获取特征子集的低维向量。以提取的特征向量作为输入值,以支持向量机(SVM)为分类器,经遗传算法参数优化后获取故障识别率。通过研究混合核函数即单核函数的线性组合,实验结果表明,相比与传统的单核学习故障诊断方法,该方法提高了主减速器故障诊断的精度。     

支持向量机在压缩机气阀故障诊断中的应用

由于结构复杂且缺乏故障样本等原因,往复式压缩机的故障样本及诊断结果存在很强的不确定性。针对典型压缩机气阀振动信号的特点及不同故障机理,研究气阀振动信号的特征参数提取方法。提取工作循环有效值RMS1、气阀关闭段有效值RMS2,以及经两层小波包分解得到的各频带能量比系数E1、E2、E3、E4,组成6维特征向量,并将其作为支持向量机的输入。利用支持向量机适合处理高维数据且在有限样本下具有最优泛化能力的特点,对3种不同气阀状态下的振动信号经时域波形分析和小波包分解后提取的特征参数进行支持向量机学习;建立气阀故障诊断的支持向量机分类模型;利用Libsvm软件包对故障样本进行随机分类测试,并与其他智能诊断方法进行对比。对比结果表明,将支持向量机方法应用于往复式压缩机的气阀故障诊断中具有可行性;在小样本条件下,支持向量机较其他智能诊断方法具有更大的优势。     

基于PCA-KNN聚类的通用在线故障诊断算法设计

为了克服以往故障诊断算法所具有的难以诊断效率低、诊断精度不高和模型通用性不强的缺点,提出了一种基于PCA主元分析特征优化和KNN聚类的故障诊断法算法;首先,给出了故障诊断的总体模型和诊断原理,然后在故障征兆原始样本数据的基础上,通过PCA主元分析法进行特征优化,获得维数约简的样本数据,从而提高故障诊断的效率;在此基础上,采用训练样本数据对模糊K均值分类器进行训练,并计算每个聚类的距离和阈值;最后,将在线获取的测试样本数据或离线样本数据输入到模糊K均值分类器,获得其所属分类,并采用KNN最近邻算法来获取其K个近邻,根据其与近邻的距离平方和与所属聚类距离平方阈值来判断其是否为故障样本,从而实现故障诊断;以滚动轴承故障诊断试验和模拟电路故障诊断试验为例,实验结果证明了文中方法较其它方法具有诊断效率高和诊断精度高的优点,是一种通用的和可行的在线故障诊断方法。     

基于小波分析和SVM的主变流器故障诊断

针对电力机车主变流器的故障,本文提出基于小波分析和支持向量机的故障诊断方法.首先,运用小波包对特征信号进行分解和重构,然后提取各频带的能量,将得到的能量值构造为特征向量,最后把特征向量输入到支持向量机,进行故障类别诊断.MATLAB仿真结果表明:该方法能够准确地对故障进行诊断.     

机械传动电机轴承故障信号诊断仿真研究

传统经验模态分解(EMD)存在模态混叠,难以充分提取故障特征,原始支持向量机(SVM)、相关向量机(RVM)诊断方法核函数存在选取不灵活、结构复杂导致识别效率低的问题,提出了一种结合变分模态分解(VMD)样本熵和混合布谷鸟改进M-RVM的机械传动电机轴承故障诊断新方法。首先,对故障信号进行VMD分解得到多个子序列;然后,筛选其中的有效分量提取样本熵组成故障特征向量;最后,将特征向量输入基于混合布谷鸟算法优化的M-RVM故障诊断模型,达到对电机运行状态准确识别的目的。仿真结果表明,所提方法实现了电机轴承故障状态的准确诊断。与传统分析诊断方法相比,该方法轴承故障识别诊断性能得到提高,对实际工程应用具有重大意义。     

基于LE与ICROA-RVM的瓦斯传感器故障诊断

针对瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障作为研究对象,提出一种基于拉普拉斯特征映射(LE)和改进化学反应优化算法(ICROA)优化的相关向量机(RVM)进行模式分类与辨识,实现瓦斯传感器故障诊断。首先采用流形学习方法 LE对高维原始数据空间进行非线性降维特征提取,提取故障特征,该方法极大地保留了原始数据中的整体几何信息;然后将故障特征作为RVM模型训练输入,利用ICROA算法对RVM模型的核参数进行全局寻优,将训练好的ICROA-RVM模型对测试样本进行故障诊断。实验结果表明:该诊断方法具有训练速度快,故障辨识精度高的特点,故障诊断正确率在96%以上,能够有效地提高瓦斯传感器故障诊断的速度和准确性。     

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.     

基于支持向量机的旋转机械故障诊断研究

为了解决因缺少大量故障数据样本而制约机械故障智能诊断发展的问题,提出了一种基于支持向量机的故障诊断模型。该模型建立在VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷。在选取诊断模型输入向量时,对故障信号功率谱进行小波分解,简化了故障特征向量的提取。仿真结果表明该模型可以有效地对旋转机械设备故障进行诊断。