基于RS和SVM的汽轮机组故障诊断方法

为了提高汽轮机组故障诊断的效率,设计并实现了基于粗糙集和多类支持向量机的融合算法。把粗糙集作为数据的前处理器,对条件属性进行知识约简和去除冗余属性以达到降低数据维数的目的。然后构造多类支持向量机分类器并用约简后的新样本数据训练。测试结果表明,基于粗糙集和支持向量机融合算法的故障诊断方法诊断速度快,推广能力强。     

基于粗糙集和支持向量机的汽轮机组故障诊断

提出一种应用粗糙集(RS)和支持向量机(SVM)对汽轮发电机组故障诊断的模型。将采集到的振动信号进行傅立叶变换得到频谱特征,然后使用粗糙集进行知识约简去除冗余属性,得到决策表,将决策表作为支持向量机分类器的训练样本。通过学习,使构建的SVM机器能反映属性特征和故障类型的映射关系以达到故障诊断的目的。测试结果表明,应用粗糙集约简和SVM机器学习是一种有效的诊断方法,它能使诊断速度加快,而且诊断结果简单有效,有推广应用的价值。     

基于融合模型的齿轮传动故障诊断研究

针对齿轮故障诊断系统的特点,提出基于多尺度小波能量谱、扩展邻域粗糙集和多分类支持向量机融合的故障诊断方法.首先使用多尺度小波变换有效提取变工况条件下的故障特征;然后以广义欧式距离为基础构建扩展邻域粗糙集模型,在不需先验知识和理论公式的前提下,完成噪声剔除、各能量带重要度权重分配;最后利用支持向量机在小样本、非线性空间中...     

基于邻域粗糙集和支持向量机的内燃机故障诊断方法

针对内燃机传统诊断方法的弊端,从内燃机故障诊断的实际从发,首先利用邻域粗糙集(NRS)对样本数据进行混淆度分析,然后采用基于PSO参数寻优的支持向量机(SVM)算法对内燃机故障进行分类诊断,构建一种NRS和PSO-SVM相结合的内燃机故障诊断模型.该方法既发挥了邻域粗糙集处理异常样本的能力,又融合了支持向量机优异的分类性能.工程实例应用表明,该模型诊断精度为94.83%,诊断时间为2.001 0E-4 s,是一种快速有效的诊断方法.     

遗传优化支持向量机在失火故障诊断中的应用

故障样本的缺乏严重制约智能故障诊断的发展,支持向量机算法的提出有效地解决了小样本学习问题.然而支持向量机算法中两个参数惩罚因子C和核参数γ对故障样本的准确识别起着决定性作用.针对参数较难选择问题,采用遗传算法对支持向量机中的两个参数进行全局寻优.把汽车在典型故障下尾气中各气体的体积分数作为训练样本,样本经过主成份分析实现降维和去相关.用处理过的样本和最优参数建立基于支持向量机的多元分类器模型,进行故障类别诊断.使用LIBSVM工具箱进行仿真,结果表明经遗传算法优化后的支持向量机对于小样本故障诊断有很高的准确率.     

基于独立元分析-最小二乘支持向量机的冷水机组故障诊断方法

冷水机组作为复杂系统,其变量间相关性严重,并且故障时的症状和原因具有多样性,导致了冷水机组的故障诊断较为困难.为了降低数据冗余性,提高故障诊断效率,提出一种基于独立元分析与最小二乘支持向量机相结合的冷水机组故障诊断方法.首先,运用独立元分析法提取冷水机组变量的独立元信息;然后,将提取的独立元信息作为最小二乘支持向量机的输入值进行故障类型的识别.利用北京某高校的地铁车站通风空调实训平台的实验数据验证该模型的故障诊断性能,并与传统的冷水机组故障诊断方法进行对比.比较结果证明基于独立元分析与最小二乘支持向量机相结合的冷水机组故障诊断方法优于传统方法.这表明该方法可以有效提取数据的高阶统计信息,提高故障诊断的效率.     

基于优化支持向量机的航空发动机故障诊断研究

航空发动机是一个极其复杂的系统,且运行环境恶略,通常多种故障同时出现.本文提出了一种优化支持向量机算法,利用遗传算法对支持向量机的参数进行优化.本文利用四种航空发动机常见故障的模拟样本对神经网络、支持向量机和优化支持向量机三种方法进行训练和测试.     

基于信息熵和SVM多分类的飞机液压系统故障诊断

飞机液压系统是典型的非线性系统,故障机理复杂,提取故障信息困难,且故障样本较少。针对飞机液压系统部件故障,文章采用了基于信息熵特征权值分配和支持向量机(SVM)多分类的故障诊断方法。先提取飞机液压系统压力信号的统计特征,然后通过计算特征信息熵为特征分配相应权值,将权值较大的特征作为支持向量机的输入向量,最后建立SVM多分类器将正常与多种故障状态进行分类;所采用的方法不仅有效降低了支持向量机模型的计算复杂度,而且提高了分类精度。通过建立飞机起落架收放系统仿真模型,对该故障诊断方法进行了验证研究。仿真结果表明,该方法选用高斯径向基核函数能够有效对液压系统进行故障诊断。     

航空发动机突发故障识别与监控方法研究

航空发动机突发故障严重影响飞机的飞行安全。为了解决航空发动机故障诊断中因缺乏样本和突发故障信息难以提取的困难,提出了基于支持向量机、小波包分解和智能模块相结合的发动机突发故障识别与监控方法。该方法在强噪声和少样本条件下,用结构风险最小原理建立发动机故障特征与运行状态之间的对应关系,再根据该函数的输出来识别故障状态和调用相应的智能模块对故障进行监控。实验结果表明,该方法能有效地提高航空发动机突发故障的识别率,并能对突发故障进行监控修复。     

基于支持向量机的转子振动故障融合诊断技术

针对某些大型复杂旋转机械振动信号特征提取和故障样本获取难的问题,提出了一种基于小波包特征谱熵支持向量机（SVM）的转子振动故障融合诊断方法.通过转子实验台模拟了转子振动的4种典型故障,并采集其振动故障数据.用小波包对振动故障信号进行分解,提取故障信息含量大的频带并计算出其小波特征谱熵作为故障特征,建立故障诊断模型.通过对故障类别的区分和故障严重程度的判断,验证了该方法在解决转子振动故障信号的特征提取及小样本情况下的故障诊断问题等方面是有效的.