基于支持向量分类的水质分析应用研究

支持向量机(SVM)是由V.Vapnik在统计学习理论(SLT)的基础上发展起来的一种新兴的用以解决小样本的机器学习方法.SVM能更好的代替传统分类器,特别是在高维数据空间具有较好的泛化能力.本文采用支持向量分类(SVC)方法研究了这一理论在工程领域的应用-济南地下水水质的分析.实验获得了较好的分类结果.SVC在小样本下的地下水水质分析中展示了良好的模式识别性能.     

基于粗糙集与支持向量机的电动机转子断条故障诊断

提出了一种基于粗糙集与支持向量机的电动机转子断条故障诊断方法。首先将电动机在不同故障状态下的振动信号离散化,再应用粗糙集软件rosetta对数据进行进一步的约简,得到约简后的数据应用于支持向量机的训练从而得到基于支持向量机的多分类器。实验证明:该方法检测电动机的转子断条故障是可行的。     

基于MCSA和SVM的异步电机转子故障诊断

本文提出一种基于电机电流信号频谱分析和支持向量机的异步电机转子故障诊断方法，该方法可以利用支持向量机对电机电流频谱信号的特征信息和故障模式进行关联。对电机定子电流采样后，其信号经FFT变换后提取故障特征量作为支持向量机的输入，基于1对1算法构造了感应电机转子故障多类分类器。实验结果表明，该方法具有很好的分类和泛化能力，可以提高电机故障诊断的准确性。     

统计学习和支持向量机的理论与应用

统计学习理论是由Vapnik等人提出的一种专门研究小样本情况下机器学习规律的基本理论和数学构架,是对小样本数据进行统计估计和预测学习的最佳理论,同时也发展了一种新的通用学习算法--支持向量机(SVM),能够较好的解决小样本学习问题.本文介绍了统计学习学习和支持向量机的基本理论,并就其应用现状及发展前景进行了讨论.     

基于SVM的船舶动力定位系统预测控制

支持向量机(SVM)是基于统计学习理论的新一代机器学习技术。基于预测控制思想,利用支持向量机回归进行非线性系统辨识,并将支持向量机模型应用到船舶动力定位(DP)预测控制,提出一种基于支持向量机的非线性系统预测控制策略。仿真实验表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力,预测控制效果良好。     

一种新的半监督直推式支持向量机分类算法

传统的支持向量机(SVM)是一种有监督学习方法,需要大量有标记样本,然而有标记样本的数量十分有限且获得困难。因此,当存在海量的无标记样本时,如何有效地利用这些数据成为了机器学习面临的重要任务。研究提出了一种新的半监督直推式支持向量机分类算法,将半监督算法与支持向量机结合,在迭代算法中将无标签样本与有标签样本结合,逐渐得到更可信的分类超平面。理论分析和计算机仿真结果都表明,研究提出的样本能够有效地利用大量的无标签样本,并且无标签样本的加入能够有效地提高分类准确率。     

基于支持向量机的矿井提升机制动系统的故障诊断

故障样本缺乏是制约智能故障诊断发展的重要原因,支持向量机是近年来提出的一种基于小样本的统计学习方法.将支持向量机分类算法应用到提升机制动系统的多类故障分类,并与BP神经网络进行对比研究,实验表明,支持向量机算法比BP神经网络具有更好的分类性能,且 "一对多"支持向量机的分类效果是最好的,更适合于提升机制动系统的故障诊断.     

基于混合核函数支持向量机的齿轮诊断方法研究

支持向量机是一种基于统计学习理论的新型机器学习方法,它具有在训练样本很少的情况下达到很好的分类效果的优点.把支持向量机技术应用于齿轮故障诊断,通过预先使用局部、全局核函数支持向量机的分类结果适当选取各自在混合函数中的权重,来作为混合核函数进行支持向量机分类.实验和数据分析证明,使用混合核的支持向量机比单独使用全局或局部...     

基于支持向量机的异步电机故障诊断系统

电机故障将造成巨大的经济损失,甚至于人身安全.一个准确的故障诊断系统能够最大程度地降低风险,有利于生产、生活的正常进行.阐述了支持向量机(SVM)及最小二乘支持向量机(LS-SVM)算法的原理,研究了基于LS-SVM的异步电动机故障诊断,比较了正常状况与3类故障的不同,并对3类故障进行了自动分类,测试了分类结果.实验表明,基于SVM的异步电机故障诊断可靠性好,实用性强,验证了SVM的优越性.     

滚动轴承故障小波核函数SVM分类识别研究

支持向量机(Support Vector Machine,简称SVM)是通过核函数来分类识别非线性样本的,为了提高SVM的分类识别精度,基于平移不变核函数条件,构造和证明了墨西哥草帽小波核函数SVM。实验中采集了轴承正常和内圈、外圈、滚动体点蚀的故障数据,利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)和样本熵提取了故障特征信息,将EEMD样本熵作为小波核函数SVM的特征向量进行故障分类识别,并与径向基核函数SVM的分类识别结果进行比较,比较结果表明小波核函数SVM的分类识别准确性更高。     

基于支持向量机运动链同构识别的方法研究

介绍了由Vapnik等人提出的统计学习理论和由此发展的支持向量机,提出一种基于支持向量机的机构运动链同构识别的新方法。算例表明,在机构运动链同构识别中,采用支持向量机这一新方法,具有其他传统方法不可比拟的优势。     

Fast Fourier and discrete wavelet transforms applied to sensorless vector control induction motor for rotor bar faults diagnosis

This paper presents new techniques to evaluate faults in case of broken rotor bars of induction motors. Procedures are applied with closed-loop control. Electrical and mechanical variables are treated using fast Fourier transform (FFT), and discrete wavelet transform (DWT) at start-up and steady state. The wavelet transform has proven to be an excellent mathematical tool for the detection of the faults particularly broken rotor bars type. As a performance, DWT can provide a local representation of the non-stationary current signals for the healthy machine and with fault. For sensorless control, a Luenberger observer is applied; the estimation rotor speed is analyzed; the effect of the faults in the speed pulsation is compensated; a quadratic current appears and used for fault detection.     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

基于定子起动电流局域波分析的鼠笼异步电动机转子故障检测

论述了局域波分析方法的基本原理及特点,该方法源于瞬时频率的概念,它能把动态信号的局部特征准确地在时频域内予以描述;分析了异步电动机起动过程中转子故障特征量(1-2s)f1(f1为电网频率)分量的变化规律,提出了基于定子起动电流局域波分析的异步电动机转子故障特征提取新方法并应用到电机故障特征提取中。对实测数据进行处理的结果表明,该方法能够有效地检测出转子故障。     

基于支持向量机的钢淬透性预测研究

支持向量机是建立在统计学理论之上的强有力的机器学习技术。本文提出了基于支持向量机模型预测钢淬透性的方法，并分析了核函数的选择对支持向量机建模的影响。以江阴兴澄钢铁公司的实际数据进行实验，结果表明，支持向量机方法有着良好的泛化能力，优于人工神经网络建模方法。     

基于旋转不变信号参数估计技术与模式搜索算法的异步电动机转子故障检测新方法

提出一种基于旋转不变信号参数估计技术(Estimation of signal parameters via rotational invariance technique,ESPRIT)与模式搜索算法(Pattern search algorithm,PSA)的异步电动机转子故障检测新方法。模拟形成转子故障情况下的定子电流信号并以之检验ESPRIT性能。结果表明:即使对于短时信号,ESPRIT仍具备高频率分辨力,可以准确估计定子电流各个分量的频率;但对其幅值、初相角的估计欠缺准确性、稳定性。随后,采用PSA确定各个频率分量的幅值、初相角。对一台异步电动机完成了转子故障检测试验,结果表明:基于ESPRIT与PSA的异步电动机转子故障检测方法是切实可行的,并且因仅需短时信号即可达到高频率分辨力而适用于负荷波动情况。     

基于等距特征映射和支持矢量机的转子故障诊断方法

针对振动信号的非线性特征,提出一种基于等距特征映射(Isometric feature mapping,ISOMAP)和支持矢量机(Support vector machine,SVM)的转子故障诊断方法。利用ISOMAP把数据从高维空间投影到低维空间而不改变数据内在属性的特点,对高维的故障振动信号降维并提取出低维的数据作为特征矢量,采用一种新核函数支持矢量机作为分类器进行故障诊断。将该方法应用于转子故障诊断,结果表明,ISOMAP-SVM方法不仅具有较高的故障诊断率,而且取得振动信号在低维空间的可视化表示。与其他核函数相比新核函数支持矢量机具有较好的诊断效果。     

Motor square current signature analysis for induction motor rotor diagnosis

Induction machines play an important role in today’s industry. Thus, preventive maintenance combined with fault diagnosis techniques have become an essential issue. One of the most used techniques for the diagnosis of faults in the induction machine is motor current signature analysis (MCSA). This approach presents some limitations for induction motor rotor diagnosis, particularly for small faults. In this paper, a new motor square current signature analysis (MSCSA) fault diagnosis methodology is presented. The proposed technique is based on three main steps: first, the induction motor current is measured; secondly, the square of the current is computed; and finally a frequency analysis of the square current is performed. This technique allows more information to be obtained from a motor with a rotor fault than the classical MCSA approach. Simulation and experimental results are presented in order to confirm the theoretical assumptions. This methodology has also been tested for the identification of two distinct faults (broken bars and rotor eccentricity).     

A validated model for the prediction of rotor bar failure in squirrel-cage motors using instantaneous angular speed

Instantaneous angular speed (IAS)-based condition monitoring is an area in which significant progress has been achieved over the recent years. This condition monitoring technique is less known compared to the existing conventional methods. This paper presents model-predicted simulation and experimental results of broken rotor bar faults in a three-phase induction motor using IAS variations. The simulation was performed under normal, and a broken rotor bar fault. The present paper evaluates through simulating and measuring the IAS of an induction motor at broken rotor bar faults in both time and frequency domains. Experimental results show a good agreement with the model-predicted simulation results. Three vital key features were extracted from the angular speed variations. One feature is the modulating contour of pole pass frequency periods in time domain. The other two features are in frequency domain. The primary feature is the presence of the pole pass frequency component at the low-frequency region of the IAS spectrum. The secondary feature which are the multiple of pole pass frequency sideband components around the rotor speed frequency component. Experimental results confirm the validity of the simulation results for the proposed method. The IAS has demonstrated more sensitivity than current signature analysis in detecting the fault. This research also shows the power of angular speed features as a useful tool to detect broken rotor bar deteriorations using any economical transducer such as low-resolution rotary shaft encoders; which may well be already installed for process control purposes.