局部切空间排列和支持向量机的故障诊断模型

提出了一种非线性流形学习和支持向量机的故障诊断模型.基于机电系统振动信号时域与频域的20个特征参数构建高维特征空间,利用局部切空间排列的非线性流形学习算法提取出隐藏其中的低维流形,网格搜索算法进行维数和邻域点参数的优化,实现高维相空间中局部邻域参数的自适应选取,获得机电系统的故障特征.利用K折交叉验证和一对一法构造支持向量机多类故障分类器,采用径向基核函数支持向量机进行机电系统的故障诊断.应用于转子试验台的3种故障状态的识别并与其他故障诊断方法进行分析比较,结果表明基于局部切空间排列和支持向量机的机电系统故障诊断模型诊断精度可达到96.6667％,可以有效提取故障的敏感特征并解决机电系统故障样本缺乏的问题.     

基于GA优化的SVM涡轮泵故障诊断

针对液体火箭发动机涡轮泵故障诊断中出现的多故障分类问题,为提高支持向量机学习机器的分类性能,提出了一种基于遗传算法的支持向量机参数优化算法,利用遗传算法的全局搜索性能对核参数进行了优化.结果表明,遗传算法能够加速支持向量机参数的优化搜索,所建模型对含有较强的噪音背景的故障样本进行了很好的分类诊断,表现出了很好的抗噪和分类能力.     

基于最小二乘支持向量机的电力变压器故障诊断

文章提出使用最小二乘支持向量机(LS-SVM)作为分层决策电力变压器故障诊断模型.首先根据DGA技术以及相关统计分析,选择典型油中故障气体的相对含量作为特征量,然后利用数值预处理后得到的数据样本分别对四级最小支持向量机分类器进行训练和识别,并最后判断输出变压器所处的状态,且针对最小二乘支持向量机存在的参数选择问题,使用了多层动态自适应优化算法来优化最小二乘支持向量机参数.仿真结果表明LS-SVM是一种较为有效的非线性建模方法,具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求.     

基于遗传退火优化MSVM的齿轮箱故障诊断

为了实现齿轮箱典型故障的自适应准确辨识,提出一种遗传退火算法优化多核支持向量机的齿轮箱故障诊断模型。首先,将齿轮箱故障振动信号经验模式分解为多个内禀模态分量并提取其幅值能量特征;然后,再基于高斯核和多项式核构建多核支持向量机;最后,将表征齿轮箱故障特征的内禀模态分量能量输入到遗传退火算法优化的多核支持向量机进行故障模式辨识。理论分析表明,多核支持向量机能够逼近任意多元连续函数,遗传退火参数优化可快速准确得到多核支持向量机的全局最优参数向量。通过齿轮箱的故障模拟实验验证了该方法的有效性,结果表明,相比于传统的故障诊断模型,该方法显著提高了齿轮箱典型故障的诊断精度和泛化推广能力。     

基于免疫算法优化最小二乘支持向量机的压器故障诊断

由于支持向量机中的参数会显著影响着支持向量机分类的精确度,建立了一种基于免疫算法优化最小二乘支持向量机的电力变压器故障诊断模型;该模型以变压器油中主要溶解气体作为向量机的输入,以变压器故障类型作为其相应的输出,选用径向基核、使用免疫算法得到优化参数,充分发挥向量机较高泛化能力的优势.实例验证表明,这种方法能提高变压器的故障诊断准确率,反映了其有效性和正确性.     

基于小波包分解与DAG SVM的柱塞泵故障诊断

针对柱塞泵检测诊断中故障特征模糊、成因复杂、难以准确定位的问题,结合决策树与支持向量机提出一种基于小波包分解与DAG SVM的柱塞泵故障诊断方法。该方法预先对所用C SVM和RBF核函数的参数进行优化,而后采用db5小波包对泵体振动信号进行三层分解以提取特征向量,将特征向量输入支持向量机完成其训练及模式识别过程。同时设计了柱塞泵故障诊断的一体化装置,通过模拟不同故障,利用已知故障样本完成支持向量机的训练过程,进而对待测样本进行故障模式识别。诊断结果与样本已知状态相符,验证了该方法的准确性。     

基于AVMD与SMA-SVM的滚动轴承故障诊断

现实工程中难以获得大量轴承故障样本,因此大多采用支持向量机进行分类,而传统的智能优化算法优化支持向量机,容易陷入局部最优解,寻优时间长,并且需要人为干预。本文提出了一种自适应变分模态分解（adaptive variational modal decomposition,AVMD）与黏菌算法(slime mould algorithm,SMA),对支持向量机（support vector machine,SVM）进行智能优化的故障诊断方法,用更合理的惩罚参数与核参数使构建的SMA-SVM模型对小样本数据进行快速准确分类。该方法首先利用AVMD方法对故障信号进行分解,然后计算各IMF分量的样本熵作为特征向量,最后将特征向量输入到所提出的SMA-SVM模型中进行故障识别。并将其与以往传统的优化算法,如遗传算法、粒子群算法的优化支持向量机等故障诊断方式相比较。结果表明,所提出的故障识别方法准确率高,并且缩短了寻优时间,相较于其他方法展现了其优越性,该方法可有效用于轴承的故障诊断。     

基于DE-SVM的柴油机气门故障诊断方法及应用

针对柴油机故障诊断样本少的实际问题,结合支持向量机的特性和微分进化算法良好的全局优化性能,提出了一种微分进化算法优化支持向量机方法.利用柴油机气门振动信号实测数据,经小波变换作为诊断模型的故障特征,建立了基于微分进化算法优化支持向量机的柴油机气门间隙故障诊断模型,并与反向传播神经网络算法、基于遗传算法优化支持向量机和基于粒子群优化支持向量机的模型相比较,结果表明:应用微分进化算法优化支持向量机比其他三种算法具有更优性能,能够有效地进行柴油机的故障诊断.     

遗传算法和支持向量机在机械故障诊断中的应用研究

提出一种基于遗传算法和支持向量机的故障诊断方法,利用遗传算法对故障特征集和支持向量机的参数同时进行优化,然后把优化选择的故障特征输入支持向量机进行故障识别.既剔除了故障特征的冗余性、减少了计算量,又解决了支持向量机的参数难以选择等问题.诊断实例表明,该方法能利用较少的故障特征得到较高的诊断精度.     

支持向量机在高压电力计量系统故障诊断中的应用

将支持向量机应用于高压电力计量系统故障诊断中。对计量系统的运行参数提取故障信息作为网络的输入值,以4位二进制数表示正常情况和9种主要故障类型,用采集得到的样本对网络进行训练,并选取4种故障类型进行网络测试,结果表明,支持向量机模型对高压电力计量系统故障有很好的辨识和诊断效果。     

基于小波包BP_AdaBoost算法的机载燃油泵故障诊断研究

针对机载燃油泵故障数据少、诊断效率低、维护成本高、缺乏有效诊断方法的问题,搭建了机载燃油泵燃油转输系统实验平台,提出利用小波包分析进行特征提取和基于BP_AdaBoost机载燃油泵故障诊断方法。首先测量燃油泵7种典型状态模式所对应的振动信号和出口压力信号;然后在分析信号时频特性和统计特性的基础上,利用小波包分解提取振动信号不同频段能量值作为故障特征参数,结合振动信号峭度以及压力信号均值构造特征向量;最后利用特征向量训练和验证BP_AdaBoost分类模型。实验结果不仅优化了传感器,而且表明BP_Adaboost算法与SVM、BP算法相比,能够有效实现对机载燃油泵的故障诊断。     

基于KPCA和PSOSVM的异步电机故障诊断

针对异步电机故障振动信号具有较强的非线性特征,而传统的线性分析方法易造成振动信号非线性成分的丢失这一情况,提出一种核主元分析和粒子群支持向量机相结合的异步电机故障诊断方法。利用核函数实现输入空间到高维特征空间的非线性映射以及对映射数据的主元分析,得到原始样本的非线性主元,实现特征提取和数据压缩,将获得的核主元特征通过支持向量机进行模式识别。采用距离比值法和粒子群算法分别对核主元分析和支持向量机的参数进行双重优化选择。实验结果表明,该方法能有效提取故障信号的非线性特征,具有较强的非线性模式识别能力,相比主元分析和支持向量机方法,分类效果更好,实时性更强,可快速有效实现异步电机故障诊断。     

整体改进的基于支持向量机的故障诊断方法

为了消除噪声或野值样本对支持向量机分类器推广性能的不利影响,从数据预处理、特征提取和分类器设计等几个方面对现有的基于支持向量机的故障诊断方法进行了整体改进。一方面,在独立分量分析的基础上提出一种残余总体相关分析时域特征提取方法,利用独立分量分析的冗余取消特性以及残余总体相关分析的整体约简能力,抽取描述不同故障模式类的典型低维特征,削减原始数据中的噪声干扰;另一方面,对各模式类特征样本进行模糊C-均值聚类,然后以类内平均距离和类间平均距离共同构建一个有效性判别准则,用于区分特征空间中的有效样本与野值点,去除野值对支持向量机目标函数的影响。在此基础上引入具有可控稀化解的前向最小平方近似支持向量机算法,并采用基于复杂多故障模式分级识别的二分类策略,共同形成一种整体改进的基于支持向量机的故障诊断方法。对齿轮箱故障的诊断结果验证了该方法的有效性,对于受强噪声干扰的小样本数据,所构建的故障分类器也具有良好的推广能力。     

基于核函数估计的转子故障诊断方法

研究核函数估计方法(KFA)在机械故障诊断中的应用问题,提出一种基于特征样本选择的转子故障模式分类方法。通过计算转子振动信号原始特征空间的内积核函数,将所有原始特征样本映射到高维特征空间,在高维空间中选择特征样本对转子裂纹、转子不平衡及转子碰摩三种故障模式进行分类识别,选择的特征样本远小于样本集中全体样本的数目,提高了运算速度。比较了KFA分类方法与支持矢量机(SVM)分类方法的效果,结果表明,在保证分类精度的条件下,KFA方法可以明显减少运算量,性能更优越。     

基于遗传算法和支持矢量机参数优化的制冷机组故障检测与诊断研究

针对制冷机组故障诊断中特征多、诊断准确率低的特点,提出一种复合诊断模型,利用遗传算法搜索特征空间,与带参数优化的支持矢量机(Support vector machine,SVM)结合,同时进行故障特征提取和模型训练。用该模型研究7种典型的制冷机组故障,从64个原始特征中筛选出8个与试验辅助系统关系甚微、均十分靠近核心制冷循环的特征,作为故障指示特征,总体诊断准确率从96.95%提高到99.53%,测试时间下降70%以上。用命中率和虚警率评价模型对各故障的诊断性能,所提复合模型除个别故障外,均优于无特征提取及带主元分析特征提取的SVM模型。复合模型在制冷机组故障诊断中有良好的应用前景。     

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。     

基于磁场的质子交换膜燃料电池故障诊断方法

故障诊断作为解决质子交换膜燃料电池（Proton exchange membrane fuel cell,PEMFC）的安全和寿命问题的重要途径之一,备受研究人员关注。然而在当前PEMFC诊断中,对其早期故障诊断的研究较少,而在亟需早期故障诊断以便及时进行维护控制的PEMFC应用领域,如燃料电池汽车等,在故障发生早期对其进行精确诊断极其重要。该文针对现有PEMFC早期故障诊断方法匮乏问题,提出一种基于磁场的PEMFC故障诊断方法。首先建立PEMFC三维仿真模型,研究燃料电池性能变化与其外部磁场间关联机制,在此基础上搭建燃料电池磁场检测系统,并构建卷积神经网络（Convolutional neural network,CNN）对采集的磁场数据进行分析,验证其在包括水淹、膜干等不同PEMFC故障中的早期诊断效果。结果表明,采用基于磁场数据和卷积神经网络的故障诊断方法,可实现燃料电池不同程度、不同类型故障的在线识别和早期诊断。研究结果验证了磁场数据用于PEMFC故障诊断的可行性,对促进PEMFC故障诊断方法进一步发展、提升PEMFC系统可靠性和耐久性具有重要意义。     

基于GMKL-SVM的模拟电路故障诊断方法

提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。     

一种基于主成分分析和支持向量机的发动机故障诊断方法

提出一种新型的基于主成分分析（PCA）和支持向量机（SVM）的故障诊断方法。首先提取振动信号的多项时域指标,并利用小波包分解提取频域特征;再利用PCA从提取的时域、频域特征中选取敏感特征,实现降维处理,减小数据处理复杂度;最后利用SVM进行特征子集的训练和测试,实现故障分离。该方法在柴油机的失火、撞缸、小头瓦磨损等典型实际故障中的诊断准确率高达98%,证实了该方法的有效性。