广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断

针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵（GCMWPE）与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射（S-Isomap）算法进行有效的二次特征提取。采用天牛须搜索优化支持向量机（BAS-SVM）诊断识别故障类型。将所提方法应用于滚动轴承实验数据分析过程,结果表明：GCMWPE特征提取效果优于多尺度加权排列熵、复合多尺度加权排列熵和广义多尺度加权排列熵;GCMWPE与S-Isomap相结合的特征提取方法可在低维空间中有效区分滚动轴承不同故障类型;BAS-SVM的识别正确率和识别速度优于粒子群优化支持向量机、模拟退火优化支持向量机和人工鱼群优化支持向量机;所提方法能够有效、精准地识别出各故障类型。     

基于改进半监督LTSA与BA-SVM的滚动轴承故障诊断

为有效利用振动信号进行故障诊断,提出了一种基于复合多尺度排列熵(CMPE)、改进距离度量公式的半监督局部切空间排列算法(SS-LTSA)与蝙蝠算法优化支持向量机(BA-SVM)的滚动轴承故障诊断新方法。首先,计算振动信号的CMPE值,构成原始高维特征集;然后,利用改进距离度量公式的SS-LTSA进行降维;最后,将降维后的低维特征集输入BA-SVM完成故障的分类。2类轴承试验分析结果表明:SS-LTSA的降维效果优于主成分分析算法(PCA)和LTSA;BA-SVM的故障识别率明显高于遗传算法优化支持向量机(GA-SVM)和粒子群优化支持向量机(PSO-SVM),SS-LTSA与BA-SVM相结合可以获取更高的识别精度。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

FOA-WPT降噪和PSO-SVM在滚动轴承故障诊断中的应用

在轴承故障诊断中,为了进一步提高诊断方法的自适应性和分类准确率,提出果蝇优化小波包降噪和粒子群支持向量机相结合的方法。利用果蝇算法对小波包降噪的阈值进行优化,结合粒子群算法在GCV算法下的错误率最低,得到SVM的最优惩罚参数和核函数参数,建立PSO-SVM分类模型,对4种工况下滚动轴承的10类故障进行分类。实验结果表明,使用FOA-WPT降噪后,信号有着更高的信噪比和更低的均方误差（MSE）;和粒子群支持向量机相结合的分类方法准确率达到89%,与未使用粒子群算法优化的SVM相比,提高了约8%,进一步证明了该方法可以实现滚动轴承的多分类故障诊断。     

基于EEMD和CS-SVM的滚动轴承故障诊断研究

针对数据驱动的滚动轴承故障诊断大多采用支持向量机进行分类,而传统支持向量机的分类方法容易陷入局部最优,无法准确进行故障诊断的问题,对滚动轴承振动信号的特征选择和支持向量机的优化方法进行了研究。分析了粒子群算法优化支持向量机和遗传算法优化支持向量机的不足;基于莱维飞行的布谷鸟搜索算法,引入了一种对支持向量机的参数进行寻优的方法,用于提高滚动轴承故障诊断的识别准确率;该方法首先使用集合经验模态分解对信号数据进行了处理,然后计算本征模态函数的均方根作为特征向量,输入布谷鸟搜索算法优化的支持向量机;最后进行了训练和测试。研究结果表明:利用该方法对实测信号进行分析和诊断,可以准确地识别故障发生的位置以及严重程度;通过与传统优化方法进行对比,验证了该算法的优越性。     

改进蝙蝠算法优化支持向量机的故障诊断方法

提出了一种基于变分模态分解（VMD）和时移多尺度散布熵（TSMDE）的故障特征提取结合改进的蝙蝠算法（IBA）来优化支持向量机（SVM）的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机（IBA-SVM）,实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法（PSO）优化支持向量机（PSO-SVM）的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于Hilbert包络谱奇异值和IPSO-SVM的滚动轴承故障诊断研究

针对表征滚动轴承故障信号特征难提取及支持向量机结构参数依据经验选取,致使故障分类模型的精度、泛化能力差的问题,提出一种基于Hilbert包络谱奇异值和改进粒子群(Improved particle swarm optimization,IPSO)优化支持向量机(Support vector machine,SVM)的滚动轴承状态辨识方法。首先,利用经验模态分解(Empirical mode decomposition,EMD)所采集的滚动轴承信号,并将所获相关程度较大的本征模式分量(Intrinsic mode function,IMF)进行Hilbert解调包络分析来获取包络矩阵,并在此基础上进行奇异值分解。其次,利用IPSO算法优化SVM的惩罚系数和高斯核系数两个结构参数,据此建立滚动轴承故障分类模型;并利用美国凯斯西储大学轴承数据验证了方法的有效性。实验结果表明:与基于BP、SVM的故障分类模型相比,Hilbert包络谱奇异值和IPSO优化SVM的滚动轴承故障诊断分类模型具有更高的精度、更强的泛化能力。     

EEMD_H与ITLBO_SVM相结合的滚动轴承故障诊断方法

针对滚动轴承数据信号不稳定、非线性的特性,提出一种采用集合经验模态分解(EEMD)、希尔伯特(Hilbert)变换实现特征提取,改进教与学算法(ITLBO)优化支持向量机(SVM)参数的滚动轴承故障诊断方法。首先通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获得模态函数的瞬时频率;对模态函数和其瞬时频率进行统计特征提取并实现特征变量降维,提高诊断效率;最后利用ITLBO算法优化SVM参数,构造ITLBO_SVM诊断模型进行多分类故障诊断。实例证明,信号经过EEMD分解和Hilbert变换再提取特征信息,代入ITLBO_SVM的优化模型比传统的粒子群算法优化模型的正确率更高,效果更稳定,验证了该方法的可行性与有效性。     

基于多重分形和PSO-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非线性和非平稳性,提出一种多重分形和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用短时分维作为模糊控制参数的分形滤波器对背景噪声较大的齿轮箱振动信号进行滤波降噪;其次引入多重分形谱算法对滤波后信号进行分析,发现多重分形特征量Δa(q)、f(a(q))max、盒子维数Db能很好地反映齿轮箱工作状态;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将多重分形特征量分别作为SVM和PSOSVM的输入参数以识别齿轮箱故障。结果表明,基于粒子群优化的支持向量机可以提高分类正确率。同时证明了基于多重分形和PSO-SVM在齿轮箱故障诊断中的有效性。     

基于PSO-SVM的齿轮箱故障诊断研究

针对目前齿轮箱故障诊断存在的检测难度大、主观性强、准确性不高等问题,提出了一种基于粒子群算法和支持向量机的故障诊断方法。运用时域频域分析法对振动信号进行分析获取特征值,利用支持向量机(SVM)技术对齿轮箱特征参数进行模式识别和故障分类,并引入粒子群算法(PSO)用于优化支持向量机参数,建立了齿轮箱典型故障诊断模型。实验结果表明:该方法可以对齿轮箱不同故障类型进行准确的分类,有效的提高了齿轮箱故障诊断的可靠性。     

基于α稳定分布参数估计的滚动轴承故障诊断

针对滚动轴承故障损伤程度难以确定的问题,提出对滚动轴承不同故障位置、不同损伤程度的振动信号进行故障特征提取及智能分类的故障诊断方法。首先,对各状态振动信号进行α稳定分布四参数估计,选取敏感性及稳定性最好的二种参数组成二维故障特征量;然后,输入到经过粒子群优化算法(particle swarm optimization,简称PSO)进行参数优化后的最小二乘支持矢量机(least squares support vectors machine,简称LSSVM)中进行故障诊断;最后,通过台架试验数据验证了该方法的有效性,并与未经过PSO参数优化的LSSVM、支持向量机(support vectors machine,简称SVM)方法的诊断结果进行比较。结果表明:该方法可实现滚动轴承故障位置及损伤程度的智能诊断,比未经PSO参数优化的LSSVM、SVM方法具有更优的泛化性,更短的训练、测试时间,可应用于实际工程。     

基于混合域特征集与PSO-SVM的滚动轴承故障诊断方法

针对单一或单域特征难以全面反映设备零部件运行状态的问题,提出了一种基于混合域特征集与粒子群优化支持向量机(Particle Swarm Optimization Support Vector Machine,PSO-SVM)的滚动轴承早期故障诊断方法。首先,分别采用基于时域、频域以及时频域的信号处理方法进行特征提取;然后将提取到的特征指标进行有机结合,构建混合域特征集;最后将混合域特征集输入粒子群优化支持向量机中实现滚动轴承早期故障的诊断。通过对凯斯西储大学轴承故障诊断实验数据进行验证,结果表明该方法在轴承故障诊断中具有精确性与稳定性。     

广义精细复合多尺度样本熵与流形学习相结合的滚动轴承故障诊断方法

针对滚动轴承故障特征提取困难的问题,提出了一种广义精细复合多尺度样本熵(GRCMSE)与流形学习相结合的特征提取方法。利用GRCMSE提取滚动轴承故障特征信息;采用判别式扩散映射分析(DDMA)方法对高维特征进行降维处理;将低维故障特征输入粒子群优化支持向量机多故障分类器中进行故障识别。滚动轴承故障实验分析结果表明:GRCMSE特征提取效果优于多尺度样本熵(MSE)、精细复合多尺度样本熵(RCMSE)和广义多尺度样本熵(GMSE); DDMA降维效果优于等度规映射(Isomap)和局部切空间排列(LTSA)的降维效果;GRCMSE和DDMA相结合后的滚动轴承故障识别精度达到100%。     

粒子群优化的流形SVM模拟电路故障诊断

支持向量机(SVM)一直被广泛应用于分类判别领域,在模拟电路的故障诊断中,电路普遍复杂多样,传统支持向量机只考虑数据类间距离最大化。本文中提出的粒子群优化的流形支持向量机,在保证数据最大类间间隔的同时,使映射在特征空间的数据,能保持原始空间的流形结构。同时将粒子群算法与SVM相结合,对支持向量机中的权重参数优化,使得对故障的诊断率比传统方法提高了2%～6%。通过实验发现,本文方法有效增强了模拟电路故障诊断的精确度。     

基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。     

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.     

基于优化支持向量机的轴承故障诊断方法研究

以滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工况下的振动信号为研究对象,采用小波包变换的方法提取信号的能量熵,构成振动信号的特征向量。在此基础上采用支持向量机进行故障模式识别,建立支持向量机模型需要选择适当的核函数及相关参数,使用径向基核函数,需要设置的参数为核函数的宽度和误差惩罚系数,分别结合传统的网格搜索,遗传算法,粒子群算法优化支持向量机参数以提升分类性能。试验结果表明,采用优化后的支持向量机进行故障诊断可以大大提高诊断精度。     

基于改进HHT能量熵和SVM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳性以及故障诊断过程中试验样本总量少的特点,提出一种基于改进希尔伯特-黄变换能量熵和支持向量机相结合的滚动轴承故障诊断方法。首先,利用改进经验模态将不同状态下滚动轴承的振动信号分解成一系列固有模态函数,并采用敏感模态函数判别算法找出对故障信息敏感的固有模态函数;其次,将敏感模态函数分量的能量熵作为输入建立支持向量机;最后,利用支持向量机对滚动轴承的工作状态和故障类型进行识别。试验结果表明,该方法可有效应用于滚动轴承的故障诊断,为该类信号的故障诊断提供了一种切实可行的方法。     

磷虾算法优化多分类支持向量机的轴承故障诊断

为了提高滚动轴承故障类型诊断准确度,提出了磷虾算法优化多分类支持向量机的轴承故障诊断方法。对于时频域特征参数的提取,将CEEMD算法与小波包优势结合,提出了CEEMD与小波包半软阈值去噪相结合的提取方法;对于特征参数降维,针对轴承振动信号的非线性特点,使用局部线性嵌入算法降维,对降维后特征参数使用模糊C均值聚类进行验证,可以看出LLE降维不仅降低了计算量而且有利于模式识别;将二叉树法与投票法支持向量机结合,给出了混合多分类支持向量机,使用磷虾算法对其进行参数优化。实验验证可知,磷虾算法优化的多分类支持向量机具有很高的输出精度,轴承状态识别准确率为100%,使用粒子群算法优化的支持向量机输出精度低,轴承状态识别准确率为79%。