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。     

基于小波包变换和支持向量机的提升机故障诊断

在介绍小波包变换和支持向量机原理的基础上,阐述了如何利用小波包变换和支持向量机对提升机进行故障诊断的方法,该方法将故障信号经小波包变换后的频带能量作为特征向量,利用训练样本训练过的多故障分类器对特征向量进行故障识别与分类,并以提升机轴承故障为例进行了论证,试验证明.该方法对故障具有很好的诊断效果及实际运用价值.     

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.     

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。     

基于最小二乘支持向量机的电动机故障诊断方法

为从电动机频谱识别出故障电动机,先用CZT变换(线性调频Z变换)分析采集到的电动机数据进行分类,然后训练最小二乘向量机,再把相同维数的数据送入训练好的最小二乘向量机进行判断,最终得出用最小二乘向量机进行电动机故障诊断的准确性、可行性和可靠性。     

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。     

基于支持向量机的矿用电机故障诊断

提出一种基于电流信号频谱分析和支持向量机(SVM)的矿用感应电机早期故障诊断方法。对定子电流采样后,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算法和混合矩阵组合策略构造了多故障SVM分类,对不同类型的故障进行诊断和分类。实验结果表明,该方法能够有效解决电机故障诊断中小样本集、非线性、高维数时的故障分类问题,提高电机故障诊断的准确性。     

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。     

笼型异步电动机转子断条故障诊断方法综述

介绍笼型异步电动机转子断条故障诊断方法的原理,将其分为基于解析模型的、基于信号处理的和基于知识的三类,并指出了各类方法的优缺点。最后,对异步电动机转子断条故障诊断方法的发展进行了展望。     

基于MATLAB/SIMULINK的异步电机故障诊断

异步电机作为电器原动力在工业及各个领域应用十分广泛,如果发生故障不能及时检修导致电机损坏,造成很大的经济损失。针对异步电机故障,在SIMULINK中建立仿真模型,得到各种工况下的数据,然后用SVM来对故障建立预测模型,对故障进行故障类型预测。实验表明,SVM的异步电机故障诊断,分类效果好,实用性强,可以为异步电机诊断提供参考价值。     

基于综合关联度分析的感应电机转子故障诊断

基于灰色关联理论,在灰色关联分析中引进相似系数,将两者相结合形成综合关联度,提出了基于综合关联度分析的感应电机转子故障诊断方法。首先选择感应电机典型转子故障模式构造标准故障模式。根据综合关联度的计算方法,计算出感应电机待检转子故障模式的综合关联度,根据关联序识别感应电机待检转子模式的故障类型。通过故障诊断实例表明,将综合关联度分析引入感应电机转子的故障诊断中是可行的,具有较高的识别率,分类诊断能力优于BP神经网络故障诊断方法。     

自适应滤波与极窄带陷波器在异步电机转子断条故障诊断中的应用

采用最小二乘法RLS自适应滤波算法对鼠笼式异步电动机定子侧电流信号进行自适应滤波,以滤除电流信号中的噪声干扰,再经过50 Hz的极窄带陷波器消除工频分量对断条特征分量的干扰,并在傅里叶频谱上实现断条的检测。实验证明,采用自适应滤波算法与极窄带陷波器相结合的方法,很好地解决了噪声对定子侧电流信号的干扰,能够实现鼠笼式异步电动机断条分量的识别。     

VS-LMS算法在异步电动机转子断条故障诊断中的应用

采用可变步长VS-LMS算法对定子电流进行自适应陷波处理,对其进行频谱分析。这种方法既能很好地解决传统LMS算法存在的收敛速度、跟踪能力与稳态误差之间的矛盾,又能提高故障检测的灵敏度。实验结果证明了该方法的有效性。     

基于数学形态学的笼型异步电动机转子断条故障诊断

根据笼型异步电动机断条故障的基本规律及希尔伯特变换的物理意义,将数学形态学滤波器技术与希尔伯特变换相结合,得到谐波信号的希尔伯特模量,其在复平面内所占的面积可反映转子断条故障的存在与否,即面积越大转子断条的数量越多,故障越严重。利用希尔伯特模量的回转半径对转子断条故障做了定量分析。通过仿真实验验证该结论,该方法对转子断条故障判断灵敏,可将其应用于转子断条故障的检测。     

基于粒子群优化算法的LS-SVM电动机断条故障诊断

支持向量机(Support Vector Machine,SVM)算法是基于统计学习理论的一种新的学习方法,应用于故障诊断技术中,具有训练所需样本少、诊断率高等优点。最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)算法是标准支持向量机的一种扩展,能在保证精度的同时大大降低计算机的复杂性,加快求解速度。该算法的超参数对支持向量机的性能有着重要的作用。因此,采用粒子群优化(Particle Swarm Optimization,PSO)算法对LS-SVM算法寻找最优超参数,进一步提高LS-SVM对电动机断条故障诊断的效率和准确率有着重要作用。实验结果表明,综合PSO与LS-SVM两种算法的优点,可有效减少故障诊断中误判、漏判的发生。     

基于模糊神经网络的异步电动机故障诊断研究

针对异步电动机常见的故障特点,采用基于模糊神经网络的故障诊断方法,通过利用改进的BP算法,运用该诊断模型,对异步电动机故障进行了诊断。仿真结果表明,该诊断方法具有准确度高、诊断速度快等优点,是一种较实用的故障诊断方法。