基于振动信号分析和支持向量机的滚动轴承故障诊断

针对滚动轴承出现故障时产生的振动信号具有非平稳信号的特点,通过小波包变换提取故障信号的特征向量,采用支持向量机分类器对提取的特征向量进行多类故障分类.通过与BP神经网络分类器进行对比研究,结果表明,在有限故障样本条件下,支持向量机分类器比BP神经网络分类器具更好的分类性能.     

基于支持向量机的故障模式识别研究

支持向量机为因缺乏大量故障样本受到制约的智能诊断提供了一个全新的途径.从振动信号中提取特征向量作为支持向量机的输入,对滚动轴承故障模式进行识别.实验表明,在含噪声条件下支持向量机对滚动轴承故障模式仍然具有优秀的分类性能.     

模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向昔机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大．将该模型应用于新疆伊犁河雅码渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用．     

基于小波包与支持向量机结合的齿轮故障分类研究

文章通过对齿轮系统在不同的运转状态下故障类型进行试验测试分析,采集了有关的振动测试信号,对振动特征信号进行了小波阈值去噪,运用小波包方法对信号进行分解,然后对分解后的各层信号进行重构,并计算各层的能量,将它作为故障特征,在此基础上将各层信号特征作为输入,运用支持向量机对它们进行分类,将所得结果与神经网络分类的结果进行了比较。研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波与支持向量机结合的方法,对于单一故障和复合故障都能够进行很好地区分与诊断,其诊断成功率均在92%以上。该方法不仅可对实际工程工作的齿轮系统进行故障诊断,而且可用于其它故障诊断领域。     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更高的应用价值。     

基于支持向量机的网络故障在线诊断方法研究

介绍了网络故障诊断的发展趋势和支持向量机的基本原理,采用一种改进的支持向量机用于网络故障的在线诊断和分析,并且以实验网中采集的数据进行了实验,实验表明该方法能够快速准确地在线诊断网络故障,为网络故障在线诊断向智能化方向发展提供了新的途径.     

基于支持向量机的时序周波波形分类方法

针对电力系统输出的周波波形多的特点,提出一种基于小波分析和支持向量机（SVM）的时序周波波形分类方法,实现三相电压源型逆变器的故障分类.利用离散正交小波变换(DOWT)将周波序列变换成小波系数矩阵,利用奇异值分解(SVD)的方法获得系数矩阵的奇异值向量,作为周波序列的特征值.建立基于新的Huffman树来实现支持向量机策略的多类分类模型.将奇异值分解得到的特征向量应用到该分类模型,判断逆变器的故障类型.仿真结果表明,该模型的平均期望准确率比基于普通二叉树的支持向量机多类模型高3.65%,分类准确率达到99.6%.     

基于支持向量机的提升机制动系统故障诊断

针对提升机制动系统中常见的卡缸故障，利用支持向量机（SVM）这一新的机器学习方法进行智能诊断．在某一闸系统正常时获得2组信号，卡缸时获得6组信号，采用3层小渡包对闸瓦间隙-时间信号进行分解，以各频带的能量为元素构造特征向量，形成故障诊断样本，在Matlab6．5环境下用SVM工具箱进行编程，建立SVM故障分类器并时测试样本进行测试，从而实现提升机制动系统卡缸故障诊断．实验结果表明，在不到0．1S时间内，就建立了SVM故障分类器，该分类器对测试样本的诊断正确率达到了100%；当训练样本由6组减少至4组时，SVM故障分类器仍可以有效地实现对卡缸故障的诊断．因此，SVM方法对于少样本的故障诊断有较强的适应性，非常适合于矿井提升机这种安全运行要求很高，但又不具备大量故障样本的系统．     

基于模糊理论与支持向量机的变压器故障诊断方法

摘 要:针对变压器结构的复杂性和故障机理的多样性,提出一种基于模糊理论和支持向量机的变压器故障诊断方法.该方法首先采用模糊理论对故障样本数据进行预处理,提取故障特征,再用支持向量机方法进行故障分类,通过采用一对多(1-α-r)的方法实现多目标分类,得出诊断结果.针对支持向量机参数不易确定的问题,采用多层动态自适应算法...     

基于IMF信息熵与SVM的转子振动故障智能诊断方法

提出了基于内禀模态信息熵与支持向量机的转子振动故障诊断方法。采用EMD方法将转子振动信号分解为若干个内禀模态分量,由各个内禀模态分量的信息熵构成转子状态的特征参数。采用支持向量机分类器对故障类型进行分类。通过转子试验台的仿真实例证明了该方法的有效性。另外,在特征提取环节对比采用了传统的Fourier变换法,结果体现了EMD方法在非线性和非稳态信号处理上的优越性。     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合,提出了一种故障诊断的新方法,该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别.利用模糊域分布可以很好地刻画信号的时频局部化特征,与时-频平面特征提取相比,又可大大降低数据维数.对于不同类型的核函数分布,将其诊断结果进行比较,试验结果表明,基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果.     

基于EMD和SVM的传感器故障诊断方法

为了解决自确认压力传感器的故障诊断问题,提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数(IMF),对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型.通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中.     

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。     

基于神经网络和小波分析的机组振动故障诊断

对于水轮发电机组而言,尽快实施其故障诊断是十分必要的.小波包分析能有效地提取机组振动信号中的有用成分,采用小波包分解方法提取特殊频段上的能量特征值作为神经网络输入向量,针对南桠河水电厂实测数据采用单隐层BP网络进行训练并对不同故障模式进行识别,取得良好效果.     

分级聚类支持向量机在汽轮机故障诊断中的应用

在两类支持向量机的基础上,综合分级聚类和决策树的思想构造多类支持向量机,从而简化了分类器结构,减少了分类器数量,避免了拒绝分类区的出现,并加快了训练和识别速度。在小样本情况下对多类汽轮发电机组故障进行了诊断研究,结果表明该方法能够正确地对故障进行识别。     

基于信息融合方法的电机故障诊断研究

研究鼠龙异步电机转子故障诊断技术,先运用小波包分析技术对电机电流信号进行了特征值的提取,将信号进行3层分解,然后将噪声信号分离并对噪声信号进行FFT能量分析,根据噪声能量含量的大小来判断断条故障的严重程度。然后利用BP神经网络对电机的电流信号能量特征值分别进行训练和检验,并初步得出诊断结果。再运用D-S证据理论对BP神经网络的输出结果进行了决策层的信息融合故障诊断,并得出了最终的诊断结果。实验表明,在一定程度上采用多证据的融合能进一步提高诊断的准确度。     

基于支持向量机的图像纹理识别方法

将支持向量机（SVM）应用于基于内容的图像检索领域，提出一种基于Gabor小波变换和支持向量机分类器的新型集成纹理识别方法．目标是利用Gabor小波设计的多通道小波滤波器对图像目标进行小波变换，用Gabor小波变换系数的模的平均值和标准差生成表示目标图像的特征向量，将特征向量归一化后用支持向量机进行训练和识别．最后，利用Brodatz纹理库中的纹理图像进行了试验并与其他几种方法进行了比较．结果表明，该方法的识别率在小样本情况下要优于其他几种方法，并且具有更好的泛化和推广能力．