基于双树复小波包和改进SVM的轴承故障诊断

为了提高滚动轴承内圈、滚动体、外圈等故障诊断效率,提出了将双树复小波包和支持向量机（Support Vector Machine,SVM）结合的故障诊断方法。采用双树复小波包对轴承振动信号分解和重构,提取重构信号中的故障能量特征并构造特征样本作为支持向量机诊断模型的输入。针对支持向量机的参数选取没有固定方法而导致故障诊断的准确性降低的问题,采用人工鱼群算法对支持向量机的惩罚系数和核参数进行寻优。用寻优得到的参数建立支持向量机诊断模型对特征样本进行故障诊断。仿真结果表明提出的方法不仅可以提高降噪效果从而得到滚动轴承故障振动的特征信号,而且能实现更高精度的故障诊断。     

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。     

基于谐波小波包和DAG-RVM的滚动轴承故障诊断

针对传统滚动轴承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,在现有的研究基础上提出一种基于小波包分析和有向无环图相关向量机相结合的故障诊断方法。将滚动轴承在不同的故障条件下的振动信号进行谐波小波包分解与重构,提取频带能量作为特征向量,应用有向无环图相关向量机建立从特征向量到故障模式之间的映射,最终做到对滚动轴承的故障诊断。结果表明,该方法能够快速准确地诊断出滚动轴承故障,验证了该方法的有效性和稳定性。此外,通过与支持向量机(SVM)的对比分析,显示了RVM在智能故障诊断应用中的优越性。     

基于变分模态分解和混沌麻雀搜索算法优化支持向量机的滚动轴承故障诊断

针对滚动轴承振动信号中的故障特征难以提取的问题,提出一种基于变分模态分解(VMD)和混沌麻雀搜索算法(CSSA)优化支持向量机(SVM)的故障诊断方法.首先,利用VMD处理滚动轴承信号,提取本征模态分量(IMF)的能量谱和能量熵作为故障特征向量;其次,通过引入改进Tent混沌映射和自适应t分布策略,加入边界探索和警戒解除机制,对麻雀搜索算法(SSA)进行改进;最后,采用CSSA-SVM模型进行滚动轴承故障的识别和诊断.实验结果表明,CSSA-SVM模型能够有效识别滚动轴承的故障类型,拥有更高的诊断精度.     

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。     

三电平逆变器开路故障诊断研究

针对传统三电平逆变器开路故障诊断方法存在计算复杂、准确率低等问题,提出了一种基于小波分析与粒子群优化支持向量机的三电平逆变器开路故障诊断方法(WT-PSO-SVM).在分析三电平逆变器三相电流信号特征的基础上,利用三层小波对电流信号进行分解,提取各频带能量作为故障特征;小波变换提取到故障能量特征后,部分故障下所提取的能量十分接近,无法有效区分,进而引入正半周比例系数作为辅助特征;将归一化的能量和正半周比例系数作为特征向量输入支持向量机进行分类训练,同时利用粒子群算法优化支持向量机的参数以达到最好的分类效果,最终实现故障诊断.实验结果表明:WT-PSO-SVM方法可以有效识别三电平逆变器的开路故障,较其他故障诊断方法有更高的诊断精度和速度,在变负载和有噪声影响情况下仍有较高的故障识别准确率,准确率达到97.3%.     

基于ICA和SVM的滚动轴承故障诊断方法研究

通过对滚动轴承振动信号的分析处理,提出了基于独立分量分析和支持向量机的故障诊断方法,采用FastICA算法对信号进行分析处理,提取出代表轴承运行状态的投影系数矩阵,并以此作为特征向量来建立支持向量机分类器,利用SVM网络的智能性来判断滚动轴承的工作状态和故障类型。     

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.     

果蝇优化算法融合SVM的风机叶片损伤识别研究

为提高风机叶片裂纹损伤和边缘损伤识别的准确率,提出使用果蝇优化(FOA)算法和支持向量机(SVM)相结合的方法。使用硬件系统采集两类损伤故障的声发射信号,然后对信号进行小波处理,提取能量特征,根据能量特征信息,建立支持向量机模型,测试其准确率;采用果蝇优化算法优化支持向量机参数,使模型损伤识别更准确,并将优化后模型识别结果与粒子群优化(PSO)算法优化支持向量机后的识别结果相比较。仿真结果表明,使用果蝇优化算法优化后的支持向量机模型的识别精度更高,能够准确地实现对风机叶片损伤的识别。     

基于小波变换和支持向量机的模拟电路故障诊断方法研究

提出一种利用小波变换提取模拟电路故障特征和基于支持向量机状态分类的模拟电路故障自动识别和诊断方法。首先讨论小波变换的基本原理和支持向量机原理及其多分类算法,同时着重研究支持向量机的一种改进型一对多故障分类算法,然后实现在小波变换上,采用分布式多SVM分类器识别单相桥式整流模拟电路的故障。实验证明,该方法能准确有效地对模拟电路故障进行识别和诊断。     

基于改进阈值和小波包的轴承故障诊断方法

为了准确有效地确定滚动轴承的故障部位,提出一种轴承故障诊断的新方法。用改进的小波阈值法对轴承振动信号进行降噪处理,对去噪后的信号进行小波包分解与重构,提取各重构子带内的信号特征作为故障诊断的样本,依据各子带信号的能量分布特征判断轴承的故障部位。在MATLAB环境下对SKF6205-2RS轴承的典型故障进行了仿真研究,结果表明改进的阈值法相比于传统去噪方法有较好的去噪效果,小波包能够准确提取信号的故障特征,能够提高轴承故障检测的准确性和有效性。     

采用小波变换和盲源分离的电机轴承故障诊断

针对地铁车辆转向架牵引电机轴承故障,提出一种结合小波变换和盲源分离的轴承故障识别方法.首先从原始信号频谱中判断轴承高频共振信号的大致频带范围以确定小波分解层数;其次利用小波分解提取轴承高频共振信号成分;然后利用盲源分离方法从小波分解后的重构高频信号中分离故障特征信号;最后对故障特征信号进行Hilbert解调并通过包络谱分析提取故障特征频率.对上海地铁某型地铁车辆转向架牵引电机进行试验,试验结果证明该方法能清晰、准确地识别轴承故障特征.     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

小波包能量谱-稀疏核主元在故障检测中的应用

针对滚动轴承故障检测的问题,提出一种基于小波包能量谱-稀疏核主元的滚动轴承故障检测方法。对振动信号进行小波包分解,提取信号的能量频谱,用增量式样本基构造方法,提取能量频谱的样本基,以此样本基建立核主元模型,来分析轴承振动信号能量频谱的变化。通过实验仿真来说明此算法的有效性。     

基于离散小波变换和随机森林的轴承故障诊断研究

针对不同工况下数据特征选择困难和单一分类器在滚动轴承故障诊断中识别率较低等问题,提出了一种基于离散小波变换和随机森林相结合的滚动轴承故障诊断方法。该方法首先利用离散小波变换分解振动信号,得到n层近似系数;然后创新性地采用sigmoid熵构造出n维特征向量,sigmoid熵能较好地提取非平稳信号的特征,提高诊断准确率;最后采用随机森林对滚动轴承不同故障信号进行分类。实验采用西储凯斯大学轴承数据中心网站提供的轴承数据,与传统分类器(KNN和SVM)以及单个分类回归树CART进行对比分析,结果表明该方法具有更好的诊断效果。     

基于小波包和EMD的异步电动机轴承故障诊断方法

针对传统的异步电动机轴承故障诊断方法对于轴承的局部缺陷及早期故障的诊断效果不明显的问题,提出了一种采用小波包理论与EMD相结合的方式提取异步电动机轴承故障特征频率的方法。该方法先采用小波包理论对原始信号进行消噪及频带划分,接着采用EMD对小波分解重构得到的信号进行分解以获得固有内在模函数(IMF),最后将IMF经时频变换得到频谱图,根据故障特征频率得出诊断结果。实验结果证明,该方法可有效地提取出故障特征频率,并方便地判断出故障类型。     

一种基于双树复小波变换的图像融合方法

提出了一种基于双树复小波变换的图像融合方法。采用双树复小波变换对源图像进行分解后,该方法首先对各频域分别定义一种活性测度和匹配测度,再通过相应的匹配测度来计算各频域的融合因子,然后采用加权与选择相结合的规则融合高频系数和低频系数,得到融合图像的各频域系数。最后,采用双树复小波逆变换重构得到融合图像。实验表明,该融合方法具有良好的客观评价性能和主观视觉效果。     

基于小波旁瓣相消器的轴承故障特征提取

为解决强背景噪声下声信号提取的轴承故障特征不显著问题,提出一种基于小波旁瓣相消器的故障特征提取方法。该方法利用小波滤波器组将含噪故障轴承声信号变换到小波域,进行小波域阵列广义旁瓣相消自适应波束形成,再通过小波滤波器组重构增强后的故障轴承信号,最后对重构增强后的信号进行包络解调并提取故障特征频率进行故障诊断。实验结果表明,该方法能够在强背景噪声下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的降噪和故障特征增强效果。     

A novel approach to wavelet selection and tree kernel construction for diagnosis of rolling element bearing fault

A novel methodology for early diagnosis of rolling element bearing fault is employed based on continuous wavelet transform (CWT) and support vector machine (SVM). CWT is especially suited for analyzing non-stationary signals in time–frequency domain where time information is retained as well as frequency content. To better approximate non-stationary vibration signals from rolling element bearing, a wavelet choice criterion is established to select an appropriate mother wavelet for feature extraction. The Shannon wavelet is picked out of several considered wavelets. The classification tree kernels (CTK) are constructed to address nonlinear classification of the characteristic samples derived from the wavelet coefficients. By using Fuzzy pruning strategy, a large variety of classification trees are generated. The trees with diverse structures can effectively explore intrinsic information among samples. Then, the tree kernel matrices can be acquired through ensemble statistical learning, which eventually reveal the similarity of samples objectively and stably. Under such architecture of kernel methods, a classification tree kernel based support vector machine (CTKSVM) is proposed to identify bearing fault. The performance of the methodology involving CWT and CTKSVM (CWT–CTKSVM) is evaluated by cross validation and independent test. The results show that the CWT–CTKSVM totally is superior to other SVM methods with common kernels. Therefore, it is a prospective technique for detection and identification of rolling element bearing fault.