基于LCD和改进SVM的轴承故障诊断方法

针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。     

基于WP-ICA及SVM的齿轮故障诊断研究

针对旋转机械设备齿轮故障诊断问题,为全面提取反映齿轮运行状态的特征信息,提出了基于WP(小波包)与ICA(独立成分分析)相融合的特征提取及SVM(支持向量机)相适配的故障诊断方法。用小波包对信号进行分析并提取其能量特征,采用独立成分分析方法对提取的能量特征进一步优化,进而得到反映齿轮运行状态的特征向量。最后采用支持向量机对齿轮运行状态的四种类型(正常、轻微故障、中等故障、断齿故障)进行诊断评估。通过纵向比较和横向比较研究表明,所提特征提取方法较单一的小波包特征提取方法更能全面反映齿轮状态信息。采用SVM方法进行齿轮故障模式诊断,较其它方法具有更高的分类准确率,达到了很好的诊断效果。     

基于深度残差网络的采煤机摇臂齿轮故障诊断

针对传统的采煤机摇臂齿轮故障诊断方法不能自主提取特征,导致齿轮故障诊断精度和效率不佳等问题,构建了基于深度残差网络(ResNet)的采煤机摇臂齿轮故障诊断模型。通过预激活残差单元模块降低模型的复杂度,使模型收敛速度更快;通过对振动信号进行数据重组,优化数据输入方式,提高模型对采煤机摇臂齿轮故障的识别能力。在采煤机摇臂加载实验台上进行模型验证实验,采集摇臂直齿轮正常、磨损、断裂、点蚀和裂纹5种状态下的振动信号,得出其特征具有明显差异;对测试集的混淆矩阵进行可视化分析,验证了ResNet模型能够很好地实现采煤机摇臂齿轮故障分类;与DNN模型和LeNet-5模型对比结果表明,ResNet模型具有更高的故障诊断精度和效率,综合识别率和F-score分别达到99.19%和99.05%;采用t-SNE技术对ResNet模型的最大池化层、预激活残差单元模块和全连接层输出的高维特征进行降维和可视化,验证了ResNet模型具有较强的特征提取能力。     

PSO优化BP神经网络齿轮箱故障诊断

针对目前齿轮箱系统在利用神经网络故障诊断时存在正确识别率低和依靠经验选择参数的问题,提出了基于粒子群优化BP网络的齿轮箱故障诊断方法。简要介绍利用齿轮振动原理提取特征参数建立故障模型,该模型以齿轮箱特征向量为输入、故障类型为输出,详细分析了通过BP神经网络、概率神经网络和粒子群优化BP神经网络实现齿轮箱故障诊断。仿真结果表明,BP神经网络对齿轮箱故障诊断收敛速度慢,故障识别率为82%;概率神经网络的模型故障诊断识别率依据经验选取spread值决定,故障识别率最大为98%;粒子群优化后的BP神经网络故障诊断分类识别率为100%且自适应能力强。     

基于HMM/SVM的风电设备故障趋势预测方法研究

由于风力发电设备复杂且积累的资料与故障样本少;传统的诊断方法,例如神经网络,忽视了前与后关系,且需要大量故障训练样本,往往都不能有效的进行故障诊断;结合隐马尔可夫模型(Hidden Markov Model,HMM)有利于处理连续动态信号,以及支持向量机(Support Vector Machine,SVM)分类能力强的优点;提出了基于HMM/SVM串联结构的故障诊断模型;首先通过从风电设备振动信号中有效提取非平稳特征,利用HMM计算未知信号与风力发电设备各状态的匹配程度,形成特征向量提供给SVM最后判别,实验结果表明该方法比单纯HMM和SVM识别率分别提高了9.17%和5.84%。     

基于非线性特征提取的模拟电路状态识别研究

针对常用的线性特征提取方法只能处理线性数据的局限性,提出通过核方法将线性特征提取方法扩展到非线性方面;首先提取模拟电路的幅频响应;然后针对信号特征存在冗余性及高维性,采用核Fisher判别分析法(KFD)对电压特征进行提取;选择SVM作为状态监测器,考虑到SVM的参数设置对识别率有较大影响,所以 采用PSO对SVM进行优化;实验结果表明,采用本方法的状态识别率达到70%,高于其他两种方法;说明运用KFD进行特征降维以及采用PSO对SVM进行优化能明显提高状态监测的识别率,体现了本方法良好的模拟电路早期状态监测能力。     

基于IGA-SVM的变压器多级故障诊断

针对传统的基于支持向量机(support vector machine, SVM)的变压器故障诊断中变压器的故障特征和SVM参数难以确定的问题,本文提出了一种基于改进遗传算法(improved genetic algorithm, IGA)和SVM的变压器故障诊断模型。该方法以SVM作为分类器,以常用故障诊断方法的20中特征量作为初始特征集合,采用二进制方式将变压器的故障特征和SVM的参数编码到同一条染色体,利用改进遗传算法对变压器的故障特征和分类器的参数进行联合优化。因为变压器的故障特征和SVM的参数是互相影响的,因此对两者做一个联合优化是比较合理的方案。然后依据最优故障特征和最优参数进行模型训练,利用训练好的模型对测试集进行诊断。仿真结果表明所提方法具有较高的故障诊断准确率。     

机电设备故障诊断和趋势预测的支持向量机方法

分析了支持向量机(Support Vector Machine-SVM)的分类和回归算法。对近年来SVM在设备故障诊断和趋势预测方面的应用进行了回顾,给出了SVM用于设备状态趋势预测的模型和算法。采用AR(Auto Regressive)模型和SVM模型进行实验台的振动烈度的预测,表明SVM模型具有长区间预测精度高的特点。讨论了SVM在设备故障诊断和趋势预测研究的发展前景。     

多切面分类改进独立成份与支持向量机集成故障诊断方法

本文采用多切面分类方法改进独立成份(ICA)与支持向量机(SVM)集成诊断方法. 在高维独立成份特征空间中采用多切面分类方法在不同切面上分别建立SVM故障分类模型. 对不同切面的分类情况进行故障识别, 改善ICA--SVM集成故障诊断性能. 将ICA--MSVM集成故障诊断方法对动态执行器基准平台(DAMADICS)的19种阀门故障模式进行仿真验证, 结果表明改进的ICA--MSVM方法有效地提高了故障诊断精度.     

基于“快速投票”算法的HMM／SVM混合识别模型及应用

提出一种基于隐马尔可夫模型（HMM）和支持向量机（SVM）的双层过滤识别系统。根据隐马尔可夫模型训练中不同结构的序列其L值分布范围不同的特点，对传统多类“投票模型”进行改进，提出一种“快速投票”算法。先用HMM对人类内含子和外显子进行识别，同时，对于L值区域有重叠造成识别率较低的部分，再用支持向量机进行第二次识别过滤。这一模型克服了传统用单一HMM识别方法的不足，实现了HMM和SVM的优势互补。实验表明，用HMM／SVM进行两类识别，其平均识别率达到了90％，进行多类识别，平均识别率达到了91．5％。     

基于沃尔泰拉级数的模拟电路组合故障诊断法

针对模拟电路的固有复杂性及其传统故障检测方法延时大和正确识别率低的问题,借鉴基于隐马尔科夫模型改进最小二乘支持向量机以及Volterra级数原理,将二者组合进行故障诊断。该方法首先采用Volterra级数频域核对电路故障特征进行提取,再利用经隐马尔科夫模型改进的最小二乘支持向量机进行模态分类,最终完成故障诊断。仿真结果表明,与目前使用的BP神经网络诊断方法和LSSVM诊断方法相比,该方法不仅提高了系统故障辨识能力,还提高了系统故障诊断的速度。     

基于PSO-SVM的电机故障检测

传统智能故障检测模型中算法初始参数复杂,选取难度较大,缺乏自学习、自组织能力、泛化能力弱,极易陷入局部极小值、算法单一等缺点.组合应用智能检测算法可整合不同算法优势,避免单一算法缺点,为此,文中提出支持向量机算法与改进粒子群算法相结合的电机故障检测模型:以电机故障特征频率特征数据为基础,首先使用改进全局求解性能的粒子群算法求解影响支持向量机分类检测性能的最佳参数,然后把最佳参数应用于的擅长模式识别的支持向量机算法,进行样本数据的训练,构建故障检测模型;最后,使用故障检测模型对电机的状态进行预测.实验结果表明,采用该方法进行故障检测的准确率,比传统的神经网络方法提高17%,比纯支持向量机算法提高3.33%.     

基于多尺度模糊熵的齿轮故障诊断方法

齿轮作为旋转机械的关键零部件之一,其健康状态会影响机械设备的正常运行,因此需要对齿轮进行故障诊断.为了克服模糊熵从单一尺度上考虑时间序列复杂度不够全面的问题,采用了多尺度模糊熵从多个尺度对信号进行处理从而提取故障特征,并借助对类域的交叉或重叠较多的待分样本集识别效果显著的K最近邻分类器对提取的多尺度模糊熵特征进行分类,确定齿轮是否发生故障和发生故障的类型.为了验证提出方法的有效性,使用齿轮故障试验台采集相关数据集对方法进行测试并与多尺度熵以及根据时间和频率特性提取的特征进行对比,提出的方法对5种不同的齿轮故障类型识别率达到了100％,明显优于两种对比特征提取方法,为齿轮故障诊断提供了新思路.     

基于参数联合优化VMD-SVM的工业机器人旋转部件故障诊断方法

针对因工业机器人旋转部件故障诊断模型最优参数难以自适应确定导致故障识别率低的问题,提出了一种参数联合优化的VMD-SVM的工业机器人旋转部件故障诊断方法;提出了一种基于遗传变异的改进灰狼算法,该算法采用Logistic混沌映射进行种群初始化,将非线性因子引入位置更新公式,并利用遗传变异策略解决算法陷入局部最优时的停滞现象;基于该算法对VMD和SVM进行参数联合优化;利用参数优化的VMD对故障信号进行分解,对所得的本征模态函数计算改进样本熵以构成特征向量,再输入至参数优化的SVM完成工业机器人旋转部件的故障诊断;仿真和实验结果表明,本文方法能够准确地进行故障诊断,在信号无噪和含噪的条件下准确率最高均达100%,较EMD、LMD、DTCWT、VMD等四种方法具有更优的指标。     

基于EEMD的高速列车转向架故障诊断

高速列车的转向架机械故障会引起转向架和车体振动信号的变化,严重影响高速列车运行的安全性和舒适度。为此,提出一种基于聚合经验模态分解的高速列车转向架故障诊断方法。针对转向架空气弹簧失气、抗蛇形减振器失效、横向减振器失效和原车4种工况进行仿真实验,得到列车不同位置的振动信号。信号经聚合经验模态分解得到一系列固有模态函数,分别提取能量矩特征,反映不同尺度上能量随时间的分布规律。将第2阶～第6阶经验模态能量矩构成的5维特征矢量作为支持向量机分类器的输入,在列车行驶200km/h的速度下进行转向架故障识别,结果表明,该方法的识别正确率可达到95％以上。     

混合语音识别模型的设计与仿真研究

研究语音识别率问题,语音信号是一种非平稳信号,含有大量噪声信息,目前大多数识别算法线性理论,难以正确识别语音信号非线性变化过程,识别正确率低。通过将隐马尔可夫模型(HMM)和SVM相结合组成一个混合抗噪语音识别模型(HMM-SVM)。同时用HMM模型对语音信号时序进行建模,并得到待识别语音信号的输出概率,然后将输出概率作为SVM的输入进行学习,得到语音分类信息,最后通过利用HMM-SVM识别结果做出正确识别决策。仿真结果表明,HMM-SVM提高语音识别正确率,尤其在低信噪比环境下,明显改善了语音识别系统的性能。     

基于优化的支持向量机的机械设备多故障诊断模型

提出了一种基于遗传算法优化支持向量机的故障诊断模型.它利用遗传算法对支持向量机同时对传统的时域特征参量子集和核参数同时优化,以达到选择最优的设备故障主导特征参数组合的目的,实现对机器不同类型故障的识别.对齿轮故障诊断的结果表明它有效提高了多分类支持向量机的故障分类准确性.     

机械故障矢功率谱-支持向量机识别方法研究

与传统功率谱相比．矢功率谱融合了多通道的能量信息，反映的信息更全面。而支持向量机为解决机械故障诊断中有限的故障样本识别问题提供了一种有力的工具。基于此，结合矢功率谱和支持向量机，提出了一种故障诊断的新方法。该方法是以矢功率谱作为特征输入到支持向量机的多故障分类器进行故障识别．并应用到旋转机械故障诊断中。同时，该方法还与基于矢功率谱的径向基函数网络识别结果进行了比较，实验结果表明，该方法是有效的，尤其在小样本情况下，SVM识别效果明显优于径向基函数网络。     

机械故障矢功率谱—支持向量机识别方法研究

与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面。而支持向量机为解决机械故障诊断中有限的故障样本识别问题提供了一种有力的工具。基于此,结合矢功率谱和支持向量机,提出了一种故障诊断的新方法。该方法是以矢功率谱作为特征输入到支持向量机的多故障分类器进行故障识别,并应用到旋转机械故障诊断中。同时,该方法还与基于矢功率谱的径向基函数网络识别结果进行了比较,实验结果表明,该方法是有效的,尤其在小样本情况下,SVM识别效果明显优于径向基函数网络。