基于小波变换和支持向量机的电力电子故障诊断

采用小波分析与支持向量机(SVM)对电力电子故障进行自动识别和诊断,运用变尺度分辨小波方法对电力电子故障信号进行特征处理,SVM能够对小样本数进行模式识别并且具有良好的分类推广能力。在小波分析特征基础上,采用分布式多SVM分类器识别电力电子故障。实验证明,该方法能准确有效地对电力电子故障进行识别和诊断。     

基于小波-支持向量机的矿用通风机故障诊断

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量,以此作为支持向量机多故障分类器的故障样本,经训练的分类器作为故障智能分类器可对通风机的工作状态进行自动识别和诊断.并以不对中故障为例,进行了实用验证.研究结果表明,支持向量机在小样本情况下仍能准确、有效地对通风机的工作状态和故障类型进行分类.     

一种支持向量机的矿井提升机故障诊断方法

介绍了几种传统的支持向量机(SVM)多分类方法,分析了所存在的问题及缺点。提出了一种基于SVM的矿井提升机故障诊断方法。该方法具有简单、直观和训练样本少等特点。通过将其应用于提升机运行状态的故障诊断,结果表明,采用该方法比传统多类SVM方法和BP神经网络具有更高的诊断正确率。     

基于小波包分析和最小二乘支持向量机的电机转子故障诊断研究

采用小波包分析和支持向量机来诊断电机故障。针对电机中常见的故障,如电机振动故障,电机转子断条故障,电机转子偏心故障等,进行频谱分析,提取故障信号在动态条件下各频带能量作为故障特征向量。构建多个最小二乘支持向量机组成的多值故障分类器,将故障特征向量作为学习样本,并且输入支持向量机进行训练,分类器可以建立故障特征向量和故障类型的映射关系,从而达到电机故障诊断的目的。     

基于K-L变换和支持向量机的滚动轴承故障诊断

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。试验结果表明,利用主矢量分解后的主特征向量与支持向量机相结合可以有效、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途径。     

基于支持向量机的矿用通风机故障诊断

以小波包技术和支持向量机为工具,对定子电流信号进行分析,建立通风机多故障分类器,实现故障智能识别。运用小波包技术将定子电流的时频信号分解为几个包含通风机不同工作状态信息的频段,并提取出各个频段的特征向量,以此作为分类器的训练样本,采用有向无环图解决多分类问题。以转子断条为例,对已训练完成的多故障分类器进行验证。研究结果表明,该方法具有良好的多故障分类智能诊断性能。     

基于小波包分析和有向无环图支持向量机的电机故障诊断研究

针对电机振动信号的特点,提出一种基于小波包分析和有向无环图支持向量机的故障诊断方法,将电机不同故障下的振动信号进行小波包分解与重构,提取频带能量作为特征向量,应用有向无环图支持向量机建立从特征向量到故障模式之间的映射,实现对电机的故障诊断。结果表明,该方法能准确有效地诊断电机故障。     

基于小波包与隐马尔可夫的矿井提升机主轴故障诊断

为解决当前矿井提升机主轴故障数据提取困难且诊断方法存在易受干扰、误差大、准确度低等缺点,设计了基于小波包与隐马尔可夫(HMM)的矿井提升机主轴故障诊断模型。该模型预先把主轴振动信号用小波包分解来获取小波包能量,再把高能量频带CEEMD分解,选取相关系数满足条件的IMF分量完成信号重构,通过重构信号来获得特征参数并构建特征向量,然后对每种故障完成HMM训练,构建HMM故障识别库,并把测试样本送入库中完成测试,从而测试模型的准确度。测试数据表明了基于小波包与HMM的故障诊断模型,准确度高、误差小、抗干扰能力强,比较适用于故障诊断。     

基于支持向量机的异步电机转子故障诊断

根据异步电机发生故障时振动信号的特点,提出了一种基于小波包分解和支持向量机相结合的异步电机转子故障诊断方法。通过采用快速ICA算法对振动信号进行多通道数据融合,然后进行3层小波包分解,得到各分解节点对应频带的重构信号以及对应的能量,并将各频带的能量元素组成的特征向量作为诊断模型的特征向量,输入到LS-SVM分类器中进行故障识别和分类。诊断结果表明:采用ICA-SVM模型具有较高的分类速度和很好的故障识别率。     

基于LabVIEW的小波包及HHT在提升机故障诊断中的应用

为解决传统信号分析方法频域分辨率不高的问题,提出了一种基于LabVIEW的小波包与Hilbert-Huang变换(HHT)相结合的信号分析方法,并将该法应用到提升机在线监测及故障诊断中:(1)对采集信号进行小波包降噪并进行频带划分;(2)用经验模式分解(EMD)方法对小波包分解重构得到的信号进行分解得到内禀模态函数(IMF);(3)选取有效IMF进行边际谱分析。仿真实验表明,该法能有效地检测出信号存在的异常,从而诊断出故障。     

基于支持向量机的液压泵故障诊断

支持向量机在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,用ν-支持向量机构造"一对一"多分类算法,应用于ZB40液压泵的故障诊断,取得了较好效果,较神经网络方法,它不必预先提取信号的特征量,只需要少量的故障样本训练分类器,实用性好。     

基于双树复小波包变换和形态学的减速机故障诊断

针对煤机设备减速机的振动信号特征难以提取的问题,提出了双树复小波包变换和形态学相结合的故障特征提取策略。首先利用双树复小波将减速机的振动信号分解成若干个不同频段的分量。然后根据减速机故障特征频率分布特征,选取相关的频段分量进行降噪重构。最后对重构后含有故障特征频率的分量进行形态滤波处理,进而提取出减速机的故障特征。利用现场实测数据进行验证,结果表明,该故障特征提取策略可以有效地提取出减速机的故障特征。     

基于集成支持向量机的滚动轴承故障智能诊断研究

针对滚动轴承故障识别问题,有效提高分类正确率,提出一种基于Adaboost算法的集成支持向量机智能诊断方法。该方法采用小波包变换提取信号的敏感频带特征;计算各频带能量作为训练特征;将特征向量输入到集成支持向量机中,以实现对不同的滚动轴承故障类型的识别。实验结果表明,该方法能有效地提取故障特征同时获得较好的分类效果。     

基于FTA和SVM优化算法的矿井提升机故障诊断方法研究

通过对矿井提升机故障机理的研究,提出矿山设备信息的优势特征频率提取的方法,构造基于FTA-SVM优化算法的智能故障诊断模型,将其应用于矿井提升机工程实例中,并与人工诊断结果进行对比,同诊断结果基本一致,验证了该方法的可行性,从而解决了智能诊断方法中先验知识库匮乏的问题,也充分体现了基于FTA-SVM智能故障诊断方法的训练速度快、诊断精度高和自适应能力强等特点。     

基于支持向量机的数控机床总线的故障诊断研究

为了能够准确地对数控机床进行故障诊断,深入地研究了支持向量机故障诊断的方法。提出了最小二乘支持向量机的基本理论;提出了遗传模拟退火算法;进行了实例研究,结果表明该方法具有较高的故障诊断能力。     

基于支持向量机的煤矿井下水泵故障诊断研究

对井下水泵常见故障进行分析,将支持向量机理论和网格搜索算法进行融合,对煤矿井下水泵故障与特征频率信息进行处理,进而完成水泵的故障诊断。试验表明,该水泵故障诊断方法时间快、诊断精度高。     

基于小波包理论的提升机主轴故障诊断研究

基于小波包理论,针对提升机主轴的振动信号进行了时频域分析。利用特定频段的信息进行故障诊断,并通过对实验数据的分析论证了该方法的正确性和有效性。该研究为对提升机主轴的振动信号进行处理,进而实施故障诊断提供了有效的方法。     

基于小波包分解的滚动轴承故障诊断方法的研究

介绍了小波包分析的基本理论,并以滚动轴承为研究对象,将小波包分析应用于轴承的故障诊断。首先用小波包分解的方法提取分解频带的能量在时间域上的分布,得到能量谱图,然后通过包络分析得到信号的功率谱,由此可判断出轴承的故障位置。     

基于改进支持向量机方法的汽轮机故障诊断研究

针对汽轮机故障诊断问题,在分析比较支持向量机"一对多"和"一对一"多分类算法的基础上,构建改进的串行支持向量机多分类方法,并依据该算法建立了多故障分类器,将其应用于典型的汽轮机故障诊断,仿真实验结果证明了该方法的有效性。     

基于支持向量机的数控机床液压刀架的故障诊断研究

针对数控机床液压刀架在工作过程中所产生的不同种类的故障情况,利用支持向量机对其进行故障诊断。分析了数控机床液压刀架的工作原理;分析了支持向量机的基本概念,建立了故障诊断流程;进行了故障仿真分析,结果表明该方法具有较好的故障诊断可靠性。