基于SVM的航空发动机滚动轴承故障诊断技术研究

滚动轴承是航空发动机中应用非常广泛的一种通用机械部件,本文提出了基于支持向量机的航空发动机轴承故障诊断模型,并且通过实证研究,证明了该方法在航空发动机故障诊断的优越性。     

基于SVM参数优化的模拟电路故障诊断

目前SVM核参数的选择是SVM实际应用的难点。通过分析SVM分类器原理,提出一种基于数据最大方差-熵准则的SVM核参数选择算法。该算法利用最大方差-熵准则衡量样本在特征空间中的线性可分性,然后结合PSO算法进行参数寻优,并将其用于双二次滤波电路的故障诊断中,优选得到的核参数提高了故障诊断的精度。     

改进SVM模型在轴承故障诊断中的应用研究

针对轴承故障诊断中支持向量机(SVM)模型结构自适应性差,导致SVM检测效率不高的问题,提出了基于核主成分分析(KPCA)和蚁群优化支持向量机(PSO-SVM)的轴承故障检测方法.该方法不仅能够利用KPCA选择轴承故障数据重要的非线性特征,确定最佳特征变量数,同时还应用PSO优化SVM训练过程,从而获得结构参数合理且泛化能力良好的轴承故障诊断模型.通过轴承故障实验数据来检验模型,结果表明了所提方法检测性能高于目前常采用的PCA-SVM、KPCA-SVM以及SVM等方法,从而为SVM更好应用于轴承故障诊断提供技术支持.     

应用于故障诊断的SVM理论研究

分析了利用支持向量机进行模式分类的原理,指出最优分类面上的样本相对于两类误判而言是等概率的而非等风险的。针对机械故障诊断中两类错误分类具有不同损失的特点,说明直接将支持向量机应用于该领域存在不足。在此基础上,提出了诊断可信度函数,并在特征空间中,对最优分类面进行重新设计,使其符合等损失的要求,文中算例说明了该方法在实际应用中的可行性。     

加法规则的多核学习在甲醇合成中的应用

对粗制甲醇的化学转化过程进行了研究,针对甲醇生产过程中工艺参数与产品质量之间非线性和时变性的问题,为了更好地预测甲醇产率,提出了一种加法规则的多核学习支持向量回归机算法。所提算法依据正定核函数的构造原理,采用将基本核函数进行相加的规则来组合多核函数,进而,建立多核学习支持向量回归机的甲醇合成转化率预测模型。甲醇数据的实验结果表明,对比传统支持向量回归机模型,所提出的加法规则的多核学习模型的甲醇转化率预测精度更优,可以更好地指导甲醇合成。     

进化蒙特卡洛优化的SVM在故障诊断中的应用

针对支持向量机超参数选择问题,将进化蒙特卡洛算法引入支持向量机的参数优化.以交叉验证误差作为目标函数,并行运行多条马尔可夫链,设计了一种改进的变异操作.使得算法在进化的初期具有较强的全局搜索能力,在进化的后期具有精细的局部搜索能力,从而加速马尔可夫链的混合,提高算法的寻优效率,最后将优化的支持向量机应用于滚动轴承故障诊断.试验结果表明,该方法具有较高的寻优效率和参数优化能力,可提高故障识别的精度.     

基于RS和多类SVM的变压器故障诊断

鉴于电力变压器故障信息的复杂性和不完备性,建立了基于粗糙集(RS)和支持向量机(SVM)相结合的故障诊断模型.先利用RS对变压器的故障样本进行知识约简,以获得故障征兆最小条件属性与故障类型的相关关系;后利用多类SVM对小样本数据的泛化能力,建立多类故障分类器用于故障诊断.实例验证了该方法是有效的.     

基于模糊粗糙集和SVM的航空发动机故障诊断

随着航空产业的发展,航空发动机故障诊断逐渐向智能化、精确化方向发展,针对这一趋势结合模糊聚类、粗糙集以及支持向量机理论,提出了一种航空发动机故障诊断方法。首先,运用模糊C-均值聚类算法将连续数据离散化;然后,运用粗糙集的知识发现理论,在保持决策表的决策属性和条件属性之间的依赖关系不发生变化的前提下对决策表进行约简;最后,利用支持向量机适用于小样本数据处理的特性对样本进行学习得到最优超平面决策函数从而进行故障诊断。对航空发动机性能参数实例的验证结果表明,该方法对航空发动机故障具有较强的诊断能力,在不影响诊断率的基础上大大缩短了运算时间。因此,提出的算法具有较好的实用性和准确性。     

AR模型和SVM在机床滚动轴承故障诊断中的应用

将自回归模型(AR)和支持向量机(SVM)应用到机床滚动轴承的故障诊断中,根据滚动轴承的振动信号建立自回归模型,以自回归参数和残差的方差作为特征向量,然后建立基于支持向量机的多故障分类器,进而判断滚动轴承的故障类型.通过实例分析和与神经网络方法对比,表明该方法能有效地判别机床滚动轴承的故障类型.     

基于RS和多类SVM的变压器故障诊断

鉴于电力变压器故障信息的复杂性和不完备性,建立了基于粗糙集(RS)和支持向量机(SVM)相结合的故障诊断模型.先利用RS对变压器的故障样本进行知识约简,以获得故障征兆最小条件属性与故障类型的相关关系;后利用多类SVM对小样本数据的泛化能力,建立多类故障分类器用于故障诊断.实例验证了该方法是有效的.     

基于EMD与多特征的支持向量机故障诊断

针对齿轮振动信号的非线性、非平稳性与故障分类识别率低的问题,提出了一种基于EMD(经验模态分解)与多特征的支持向量机(SVM)故障诊断方法。该方法首先将采集到的信号进行小波包降噪;然后提取降噪后信号的各项时域参数指标;同时,将降噪信号经过EMD运算并提取以互相关准则选取的各本征模式分量(IMF)的能量指标;最后,将两部分特征向量组合后作为SVM的输入进行训练与预测。实验结果表明,该方法对于齿轮状态具有很好的分类精确度,能很好地应用于齿轮的故障诊断。     

一种基于主成分分析和支持向量机的发动机故障诊断方法

提出一种新型的基于主成分分析（PCA）和支持向量机（SVM）的故障诊断方法。首先提取振动信号的多项时域指标,并利用小波包分解提取频域特征;再利用PCA从提取的时域、频域特征中选取敏感特征,实现降维处理,减小数据处理复杂度;最后利用SVM进行特征子集的训练和测试,实现故障分离。该方法在柴油机的失火、撞缸、小头瓦磨损等典型实际故障中的诊断准确率高达98%,证实了该方法的有效性。     

基于后验概率的支持向量机在故障诊断中的应用

考虑到用后验概率能更有利于表示样本的类别信息和相关后处理,在故障诊断中引入了后验概率,同时针对故障诊断问题中误判造成的损失不同这一特点,通过引入损失函数,使诊断决策的平均损失达到最小,建立了适合故障诊断的模型。通过与其他方法的比较和诊断实例说明了该方法的合理性和有效性。     

基于后验概率的支持向量机在故障诊断中的应用

考虑到用后验概率能更有利于表示样本的类别信息和相关后处理,在故障诊断中引入了后验概率,同时针对故障诊断问题中误判造成的损失不同这一特点,通过引入损失函数,使诊断决策的平均损失达到最小,建立了适合故障诊断的模型.通过与其他方法的比较和诊断实例说明了该方法的合理性和有效性.     

一种基于支持向量机的齿轮箱故障诊断方法

提出了一种基于多分类支持向量机(简称MSVM)的齿轮箱故障诊断方法。先根据齿轮箱故障机理和振动特点,探讨了齿轮箱故障诊断试验方案。再测取齿轮箱振动信号,并提取了能反映齿轮箱运转信息的时频域特征参数。通过结合投票法和决策树的基本思想,有针对性地构造了多分类支持向量机决策结构并将其应用于齿轮箱故障诊断。实际齿轮箱故障诊断试验结果表明,该决策结构较好地解决了小样本学习问题,避免了人工神经网络进行诊断时出现的过学习、收敛速度慢、泛化能力弱等缺点,能有效应用于齿轮箱故障诊断。     

多核LSSVM算法在轴承故障识别中的应用

针对最小二乘支持向量机(LSSVM)实现过程中盲目选择核函数的现象,提出了一种基于核极化的多核LSSVM与EMD相结合的滚动轴承故障识别算法。首先,对滚动轴承振动信号进行EMD信号提取,进而提取故障特征向量;然后,根据多核构造原理,引入核极化确定基本核函数的组合权系数,构造多核函数;最后,结合多核函数与LSSVM,形成多核LSSVM学习器,进行故障识别。分析滚动轴承正常状态、内圈故障、外圈故障和滚动体故障的诊断实验结果,可知,EMD与多核LSSVM的故障识别算法可以准确地判断滚动轴承的工作状态和故障类型,并与SVM、LSSVM算法的诊断结果进行对照,表明所提算法的故障识别率更高。     

EEMD近似熵和SVM在柴油机传动系统中的故障诊断研究

柴油机发电机组结构复杂,故障类型多样,其动力传动部件兼具往复机械与旋转机械的振动特性。传统的频谱分析主要通过利用傅里叶变换将在时域内难于分辩的信号映射到频域内进行分析,这对于具有平稳特点的原始信号比较有效,但是对于柴油发电机组而言,频谱分析难以提取其频率分量,因此难以实现故障诊断。通过总体平均经验模式分解(EEMD)的方法获得其本征模式函数的近似熵,将该近似熵作为特征向量结合支持向量机(SVM)进行分类,从而实现柴油发电机组的故障识别。通过实验仿真和某柴油发电机组振动异常问题的实测试验表明,该方法可以准确有效的提取其故障信息和频率,为柴油发电机组传动机构故障诊断提供支持。     

基于最小风险的SVM及其在故障诊断中的应用

结合两类错误分类造成损失不等这一故障诊断特点，提出了基于最小风险的SVM方法。进行了三个方面的研究：a．在P1att提出的样本后验概率基础上，给出了修正的分类面以及修正的后验概率估算方法，并分析了该方法的合理性；b．将最小风险决策与SVM输出的后验概率有机融合，使该方法对故障的诊断更加敏感，减小漏判概率；c．以电液伺服阀故障诊断为例，对样本数据经K-L变换后进行可视化研究，分类结果表明了该方法的可行性。     

BFA优化SVM的刀具故障诊断

支持向量机(SVM)对机床刀具磨损阶段监测的诊断能力与其参数惩罚因子C和核函数参数g紧密相关,SVM参数的优化对其诊断精度影响很大.为解决人工选取支持向量机参数效率低、准确率不高的问题,提出一种细菌觅食算法(BFA)优化SVM参数的刀具故障诊断方法.将SVM的诊断准确率作为细菌觅食算法的优化目标,利用细菌觅食算法对SVM参数全局寻优,得到最优参数组合.实验结果分析表明,相对于传统的SVM,优化参数后的SVM对刀具磨损阶段的监测准确率至少提高了5％,验证了此方法的可靠性.     

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。