基于小波去噪和最小二乘支持向量机的滚动轴承故障诊断研究

针对滚动轴承故障,提出了基于相关原则优化阈值的小波去噪和最小二乘支持向量机相结合进行滚动轴承故障诊断的方法,采用相关原则优化阀值的小波对轴承早期故障特征进行提取,运用能量-特征法提取出信号特征,然后利用最小二乘支持向量机多分类算法进行故障类型的识别。实验与仿真结果表明:基于相关原则优化阈值的小波变换和最小二乘支持向量机相结合的故障诊断方法能有效地诊断出滚动轴承的典型故障。     

一种基于最小二乘支持向量机JSP调度算法

作为生产调度里面一类典型问题,Job-shop问题的求解是属于NP完全的,对于大规模Job-shop 问题的有效算法至今仍未找到.在有向图模型基础上,提出通过约束引导方式获取可行调度.提出使用最小二乘支持向量机对样本学习实现可互换工序对准确选取,以此提高调度方案质量.将求解过程中特殊算例补充到样本库进行后续训练以提高算法性能.数值仿真结果表明所提算法对于大规模Job-shop问题求解存在较好效果.     

利用最小二乘支持向量机预测铝熔体氢含量

提出了一种最小二乘支持向量机的铝熔体在不同温度和保温时间下的氩含量预测新模型.以2个主要影响因素加热温度、保温时间为输入,铝熔体中氢含量为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性映射关系.以铝熔炼实验数据为样本对模型进行学习训练,用训练好模型预测在一定影响因素下铝熔体中氢的含量.仿真实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

最小二乘支持向量机弯曲回弹元模型技术研究

影响大尺寸高强度U型折弯件回弹的变量众多,使得其弯曲回弹难以控制。提出一种基于约束的高斯过程潜变量(RGPLVM)筛选技术来进行最优变量的筛选和降维。将筛选出的变量作为决策变量,并以最小二乘支持向量机(LSSVM)为基础,构建了大尺寸高强度U型折弯件的最小二乘支持向量机(LSSVM)元模型。分别以支持向量机(SVM),LSSVM和BP神经网络为模型进行预测,并将预测结果与实际工程零件进行对比。结果表明LSSVM模型的预测结果更为接近实际零件的回弹情况,从而验证了所提方法的可行性。     

基于最小二乘支持向量机的激光拼焊焊缝识别

激光拼焊焊缝质量结构光视觉检测中,对焊缝的准确识别是实现高精度检测的关键. 针对检测图像中结构光光纹畸变特征不明显,无法准确识别焊缝的问题,依据焊缝纹理特征信息,提出了一种基于最小二乘支持向量机的焊缝识别方法. 首先,分析并提取焊缝区和非焊缝区差异明显的纹理特征. 其次,训练最小二乘支持向量机模型,对焊缝进行粗识别. 最后,采用Laws纹理滤波提取焊缝区域,并通过阈值分割方法精确识别焊缝. 针对不同工艺参数下的激光拼焊焊缝开展焊缝识别试验,结果表明,该方法能够有效地识别焊缝.     

基于小波包和支持向量机的液压泵故障诊断

研究基于小波包频带能量的故障诊断方法及其在齿轮泵故障诊断中的应用.论述齿轮泵的典型故障设置及其数据采集.针对齿轮泵实验数据,研究基于小波包和支持向量机的齿轮泵故障诊断方法.实验结果表明:基于小波包一支持向量机的故障诊断方法是有效的,而且可以满足在线实时状态监测与故障诊断的要求.     

支持向量机在轴承故障诊断中的应用

支持向量机是建立在结构风险最小原理^[1]基础上，专门研究小样本情况下的学习规律。本文针对滚动轴承的加速度信号和声音信号的特点，选取识别能力好的时域无量纲指标作为支持向量机的特征矢量，对滚动轴承的四种典型故障进行模式识别。结果表明，支持向量机在滚动轴承故障诊断中有很出色的分类能力。     

基于最小二乘支持向量机的超磁致伸缩执行器磁滞非线性模型

为准确模拟超磁致伸缩执行器的磁滞非线性特性,基于最小二乘支持向量机与实验数据建立了超磁致伸缩执行器的模型,结果显示所建模型都能够充分逼近非线性实验数据点。为提高模型的求解速度,仅选用一半的实验数据建立了小样本模型,并与神经网络所建小样本模型对比,结果表明:基于最小二乘支持向量机所建模型的位移预测误差小于1.2μm,而基于神经网络所建模型的位移预测误差大于1.5μm。     

基于稀疏多核最小二乘支持向量机的浮选关键指标软测量

由于浮选性能受多种因素的制约,适宜的矿浆pH值是高效泡沫浮选的关键.针对pH值在线检测仪易受干扰、维护保养成本高等不足,结合泡沫浮选过程机理分析,以泡沫视频图像特征为辅助变量,将局部核函数和全局核函数加权组合,提高模型的学习和泛化能力,利用Schmidt正交化理论约简多核矩阵,减小计算量,建立基于稀疏多核最小二乘支持向量机的浮选矿浆pH值软测量模型.工业运行数据测试结果表明:所建模型具有预测精度高、反应迅速、稳定性好等优点,适于工业应用.     

基于小波核最小二乘支持向量机的齿轮磨损预测

针对齿轮在磨损过程中的磨损程度,可以用振动信号来表征,并通过对磨损过程中振动信号的预测来实现磨损预测,提出了一种基于小波核的支持向量机磨损预测算法。首先,分析了最小二乘小波在磨损预测中建模方法,其核函数采用小波核,改善了系统非线性性能;然后用量子行为粒子群优化算法（ QPSO）优化SVM参数,具有较快的搜索速度并保持了时间序列的特征。验证实验中用齿轮箱振动信号的统计指标表征齿轮磨损状态。实验结果表明,该预测方法能够有效地进行齿轮磨损预测。     

基于特征信息融合的离散小波SVM齿轮故障诊断方法研究

针对齿轮振动信号故障特征微弱及故障样本不足,提出基于特征信息融合的小波-SVM(支持向量机)故障诊断方法,用于多类齿轮故障诊断。该方法采用离散小波变换对齿轮的振动信号进行处理来构造特征向量,将多路信号融合后输入到SVM的多故障分类器中进行故障识别。实验结果表明:该方法能够在训练样本数量少的情况下,快速获得良好的分类结果,且其故障诊断准确率在96.67%以上;峰值和峰值因子对齿轮故障最敏感,以峰值或峰值因子为特征量的多传感器信息融合,其诊断准确率达95%。该方法更适合于实际齿轮故障诊断应用,并为多类齿轮故障快速诊断的进一步创新研究提供了理论基础。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于LS-SVM液压缸泄漏故障诊断方法的研究

液压系统的执行机构是液压缸,其运动故障主要是压力不足,导致其动作反应不及时,针对液压控制系统中出现故障复杂性的特点,以液压系统的液压缸泄漏为研究对象,通过分析液压缸泄漏程度的故障形式,通过液压缸泄漏程度的分类,提出了基于LS-SVM液压缸泄漏故障方法,建立了该系统的故障诊断模型,对液压缸泄漏量进行定量的分析和算法研究。研究表明,这种针对液压缸泄漏故障诊断的原理、方法和特点,可以比较准确地预测液压缸泄漏的程度,对其故障诊断是有效和实用的。     

基于GWO-SVM的高压断路器故障诊断

为提高高压断路器故障诊断精度和效率以保障电力系统安全稳定运行,提出一种基于拉普拉斯分值法与改进的支持向量机(SVM)的智能故障诊断方法。首先,从高压断路器分合闸线圈电流中提取包括电流峰值、关键时间点及电流统计量等特征值,并建立故障样本集合;其次,采用拉普拉斯分值法筛选出关键特征,降低故障样本集合的维度;最后,采用灰狼算法(GWO)优化支持向量机(SVM)的关键参数,构建高效、准确的高压断路器故障诊断模型。基于实际故障样本的仿真测试结果表明:提出的采用特征选择及参数优化的故障诊断方法较其他传统方法具有更高的诊断精度及诊断效率,对实际工程应用具有一定的参考借鉴意义。     

VMD复合熵值法在齿轮故障诊断中的应用

针对齿轮实际工况复杂、故障特征难以提取的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)复合熵值法的故障诊断方法.首先,采用VMD方法对不同工况下齿轮振动信号进行分解,并对分解过程中关键参数的选择进行了研究;其次,根据频域互相关系数准则筛选出可有效表征齿轮状态特征的...     

基于EEMD-IGWO-SVM的电机轴承故障诊断

针对电机轴承易发生损坏、传统诊断方法耗时长且准确度低等问题,提出一种基于改进灰狼优化算法（IGWO）优化支持向量机（SVM）的电机轴承故障诊断方法。对电机振动数据进行集成经验模态分解（EEMD）,提取出IMF能量矩作为特征向量,并结合IGWO-SVM分类器,构造电机轴承故障检测模型。在模型引入改进Tent混沌映射、非线性收敛因子、动态权重策略,得到改进的分类算法,该算法可以快速精准地寻找SVM的最优惩罚参数C和核参数 γ。对电机轴承振动数据进行仿真实验,诊断结果表明该轴承故障方法平均准确率高达99.4%。最后通过实验验证提出的诊断方法具有良好的算法稳定性和抗噪性能,可有效提高故障诊断精度。     

基于相关向量机的故障诊断方法研究

相关向量机(RVM)是目前最受关注的新一代模式识别技术之一,阐述了基于相关向量机的故障诊断方法、应用前景等。介绍相关向量机的分类、回归模型及其国内外研究进展;对RVM提出至今在故障诊断和退化评估与寿命预测中的应用研究进行综述;最后分析在故障诊断中RVM方法存在的弊端及其未来研究趋势。     

基于CEEMD和WOA_LSSVM滚动轴承声信号故障诊断

针对强背景噪声下滚动轴承故障诊断问题,结合互补集合经验模态分解(CEEMD)与鲸鱼优化算法优化最小二乘支持向量机(WOA_LSSVM)进行滚动轴承的故障诊断研究.首先对声信号进行快速谱峭度分析并进行带通滤波预处理,提取故障冲击成分;其次,利用CEEMD算法将滤波信号进行分解运算,得到一系列模态分量(IMF);再利用相关...     

基于模糊神经网络的故障诊断方法研究

文章构造了一种模糊神经网络模型,并详细阐述了模糊神经网络(FNN)的结构、算法.经过MATLAB仿真运行证明其可行性,另外在相同的条件下,FNN网络在故障诊断的准确率及训练速度方面均优于传统的BP网络.     

基于GMDH与SVM的信号缺失情景下轴承故障诊断

针对在轴承故障数据采集过程中,由于外界干扰导致部分信号缺失的问题,提出一种基于数据分组处理算法(GMDH)与经粒子群优化的支持向量机(PSO-SVM)算法相结合的轴承故障诊断方法。首先,利用GMDH算法搭建时间序列预测模型,预测出并弥补上缺失的数据并与采集信号整合;其次,经过PSO-SVM模型对完整的数据集进行故障类型诊断;最后,实验采用了凯斯西储大学轴承故障振动数据,并与SVM、PSO-SVM等算法进行比较,验证了在信号缺失情景下,GMDH-SVM混合诊断方法的有效性。