基于K-L变换和支持向量机的滚动轴承故障模式的识别

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征,采用K-L变换对其提取状态主特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明,K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径。     

基于K-L变换和支持向量机的

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量，而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征，采用K-L变换对其提取状态主特征向量，然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明，K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式，为轴承故障诊断向智能化发展提供了新的途径。     

基于灰色支持向量机模型的滚动轴承故障诊断与预测方法

提出基于GM(1,1)-SVM的滚动轴承故障诊断及预测方法.首先,提取滚动轴承各类故障和正常状态下振动信号的时域及频域特征值,然后,选取重要特征参数建立预测模型,进行特征值预测;最后,使用轴承各类故障特征值和正常状态特征值训练二叉树支持向量机,构造滚动轴承决策树,判别故障,实现对故障类型的分类,从而达到对轴承故障诊断,并通过预测值与支持向量机实现故障预测的目的,突破传统算法不能有效预测轴承故障的局限性.     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

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EMD重构和SVM的滚动轴承故障诊断方法研究

针对滚动轴承振动信号非平稳性和故障特征难以提取的问题,提出一种基于经验模态分解重构和支持向量机相结合的故障诊断方法。首先,采用经验模态分解,将滚动轴承振动信号分解成一系列固有模态函数;其次,根据伪固有模态函数剔除法选取对故障特征敏感的模态函数进行信号重构;最后,以重构信号的有效值和峭度值作为支持向量机分类器的输入来识别滚动轴承的工作状态和故障类型。试验结果表明,该方法能有效地识别和诊断出滚动轴承的运行状态和故障类型,具有很高的工程实用价值。     

基于Fisher比率与SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断中普遍存在的小样本学习问题,采用支持向量机实现轴承故障的模式识别.为了解决时域统计参数对于轴承故障的多分类效果较差的问题,引入小波包分解(wavelet packet decomposition,WPD)技术,提取振动信号各频带的能量系数构造特征向量,并采用Fisher比率法对特征向量进行优化选取;然后利用支持向量机(support vector machine,SVM)进行故障模式识别,并与小波包分解及时域统计参数的分类效果进行对比分析.结果表明:支持向量机是实现轴承故障模式识别的一种有效手段;本方法的分类效果及时间效率明显优于传统的多维时域指标和小波能量系数分类方法;将Fisher比率法与SVM相结合可以提高轴承故障诊断的准确率.     

采用GWO优化SVM的燃气轮机气路故障诊断

将灰狼优化算法和支持向量机算法作为理论指导,并采用灰狼优化算法对支持向量机算法进行优化,以实现燃气轮机故障类型的分类。将灰狼优化算法与遗传算法优化支持向量机方法和粒子群算法优化支持向量机方法进行对比,结果表明,通过灰狼算法优化支持向量机的方法对燃气轮机故障分类的准确率要高于遗传算法优化支持向量机算法和粒子群算法优化支持向量机的故障分类方法。     

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...     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于虚拟仪器的货车滚动轴承故障分析与诊断系统

货车滚动轴承是货车的重要部件,关系着列车的运行速度和安全,所以轴承故障诊断对货车运行安全十分重要。设计一个货车滚动轴承故障诊断系统对轴承故障进行检测至关重要。文章介绍了货车滚动轴承的故障形式、振动机理,提出了基于LabVIEW软件技术开发货车滚动轴承的检测系统。     

低速滚动轴承故障信号捕捉与分离研究

根据低速滚动轴承故障诊断难度较大的特点，提出了利用应力波与小波分析进行低速滚动轴承故障诊断的方法.以低速运转Cooper轴承系列01B65 EX滚子轴承为例，建立了故障轴承的三维整体接触计算模型，运用有限元软件对其进行了分析，计算出外圈故障的最大应力应变及各元件之间的接触应力，将发生故障前后的外圈外表面应力应变和接触应力分布规律进行比较.在应力波实验分析的基础上，选择db6母小波、尺度j=4对实验所采集的故障信号进行小波分解，提取了故障的应力波信号特征频率，对低速滚动轴承故障进行了正确诊断.结果表明，应力波和小波分析是低速机械故障诊断的有效方法.     

基于小波-VMD-Teager能量算子的滚动轴承微弱故障诊断

针对滚动轴承的单一故障进行诊断,提出了将小波VMD-Teager能量算子相结合和小波CEEMD-Teager能量算子相结合的诊断方法。对于滚动轴承的故障信号首先是进行小波降噪,使用VMD分解得到IMF分量,利用峭度和相关系数的大小选择合适的IMF分量,进行重构。通过对重构的IMF进行Teager能量算子包络解调处理,最后可以得到不同故障程度的轴承故障的特征频率。对比VMD处理和CEEMD处理得到的故障信号包络图,利用实验数据验证表明, VMD处理能更有效提取滚动轴承的单一故障微弱特征。     

基于LabVIEW的风电机组滚动轴承故障诊断系统及其仿真

在LahVIEW8．5环境下实现了基于特征参数和希尔伯特包络谱分析的故障诊断方法,开发了风电机组滚动轴承故障诊断系统．故障诊断实验结果表明,该系统能够有效、快速、准确地对滚动轴承内圈、外圈、滚动体故障进行识别并报警．     

基于故障样本的滚动轴承故障诊断置信规则库研究

滚动轴承是使用非常广泛的机械零件,现有技术对滚动轴承故障诊断存在局限性。为提高滚动轴承故障诊断的准确性,通过利用历史数据,提出基于故障样本的置信规则库的方法,首先对滚动轴承的典型故障进行分析,获取其振动数据作为样本;然后提取时域特征参数和时频参数,对参数进行特征融合,提取征兆参数,建立故障诊断的置信规则库;通过实验平台获取滚动轴承异常数据,验证建立的置信规则库的有效性和准确性。     

基于多特征提取的滚动轴承故障诊断方法

滚动轴承故障是旋转机械失效和损坏的最主要原因之一。轴承振动信号通常表现为非线性和非稳态的特征。常规的时域和频域方法不容易对轴承工作的健康状况做出准确的评估。提出了一种基于多特征提取的滚动轴承故障检测方法,首先从轴承振动信号中提取故障特征（熵特征、Holder系数特征及改进分形盒维数特征）,然后通过灰色关联理论算法自动地识别出轴承的故障类型和严重程度。该方法能够在确保检测实时性的同时,准确有效地识别不同的滚动轴承故障类型及其严重程度。     

基于V-detector算法的滚动轴承故障诊断方法

针对实值阴性选择(RNS)算法的检测器尺寸不能自适应变化的问题,提出基于变检测半径的RNS算法(V detector)的轴承故障诊断方法.将计算轴承振动信号局域波分解后各基本模式分量的关联维数作为特征向量,并根据故障模式将其划分为多个自体样本集,采用V detector算法训练多个检测器集,用其对轴承故障进行诊断.结果表明：自体半径过小则误诊率高,自体半径过大则检测器灵敏度低,这都将导致准确率减小;覆盖率越高,则准确率越高、计算花费越大,当覆盖率≥95%时,覆盖率对准确率的影响远小于其对计算花费的影响;相对于基于RNS的诊断方法,V detector算法具有同样高的准确率,且计算花费显著减小、稳定性更高,可有效地识别轴承故障.