基于小波包分析和LS-SVM的柴油机故障诊断方法

针对某柴油机检测样本小,难以准确估计故障的状况,提出了一种基于小波包分析和最小二乘支持向量机的柴油机故障诊断方法;利用小波包分析对柴油机缸盖振动提取频谱能量并对干扰信号进行处理,从而获得故障征兆样本集;由于柴油机故障的征兆样本集有限性,提出了采用最小二乘支持向量机分类方法构建柴油机故障分类器;结果表明,经过小波处理过后的振动信号再经过LS-SVM辨识网络训练,能够准确地诊断和预测故障。     

基于能量熵对SVM的电路故障诊断

研究电路故障诊断问题,提高诊断效率.由于电路集成度提高,电路信号与故障相关,针对传统故障诊断因采用线性诊断方法与提取的电路特征信息不全面,导致诊断定位精度不高,为有效提高电路故障诊断的速度与精度,提出了一种根据小波包能量熵的支持向量机电路故障诊断方法(EE-SVM).首先利用小波包对电路故障信号进行3层的小波包分解,并提取小波包能最熵,构建输入特征向量.对于支持向量机进行非线性特征向量汰选,去除冗余特征,以保留特征向量构建智能化诊断模型.进行实例仿真,结果显示,方法在所有参比模型中精度最高,能高效地对电路故障进行检测与定位.     

船舶柴油机故障诊断方法的研究

研究船舶柴油机故障诊断问题,由于船舶柴油机故障样本相当少且样本极不平衡,系统复杂,传统故障诊断方法均是采用大样本的学习方法,易出现过拟合,得到局部最优解,导致船舶柴油机故障的准确率较低。为了提高船舶柴油机故障的准确率,采用专门针对小样本的支持向量机进行船舶柴油机故障诊断。首先建立船舶柴油机故障样本集,采用层次支持向量机构造柴油机故障诊断树,解决样本不平衡问题,最后进行船舶柴油机故障诊断。实验结果表明,支持向量机不仅提高了柴油机故障训练和诊断速度,且提高了故障诊断的准确率,较好解决船舶柴油机故障诊断中的过拟合、小样本等问题,可以为船舶正常工作提供保证。     

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。     

基于小波包能量熵与SVM的微电网故障诊断

为了提高微电网内部线路故障识别的实时性和准确性,建立适用性强的微电网故障诊断系统,文章提出了基于小波包能量熵和支持向量机(SVM)二叉树多分类器(2PTMC)的微电网内部线路故障诊断模型.利用小波包分析得到并网耦合点(PCC)处三相电流电压的小波包能量熵,作为样本的特征向量按故障发生频率训练多个SVM,构成树状微电网故障诊断系统.最后,在PSCAD平台建立微电网系统进行仿真,实验结果表明该方法可以准确地辨别出微电网故障类型,在未经训练的样本上也有良好的表现,符合微电网故障系统辨别的要求.     

基于核方法的模拟电路故障诊断

核方法通过非线性映射将原始数据嵌入到高维特征空间,然后进行线性分析和处理,为基于知识的数据分析带来新的方法和模式;传统方法无法解决故障特征数据维数高、在故障样本交叠严重时多分类性能较差的问题,因此在电路故障特征数据预处理阶段,提出了分步骤分别在时域对电路输出电压波形进行小波包分析和在频域测量电路幅频特性的方法来提取电路故障特征;预处理后的故障特征向量只是8维向量,减少了SVM的训练时间;将该方法应用于国际标准电路中的CTSV滤波器电路的故障诊断,结果表明:该方法能突出不同故障的特性,故障诊断正确率达到98.57%(414/420)。     

小波包结合支持向量机的故障诊断方法

提出一种结合小波包分析（WPA）理论和支持向量机（SVM）分类器的机械故障诊断方法。该方法具有重复训练样本少,简单、直观的优点,具有很高的分类性能。利用获得的机械故障数据建立故障分类器,对不同测试集条件下的3种SVM核函数、SVM方法与神经网络方法的比较结果证明,基于小波包和支持向量机的故障诊断方法是机械故障诊断的发展方向。并对实验的最佳训练样本集进行讨论。     

基于小波包分解和EMD-SVM的轴承故障诊断方法

针对轴承振动信号具有的非平稳和故障诊断样本数据难以按需获取的问题,设计了一种基于小波包分解和EMD SVM的故障诊断方法;首先,采用Mallat塔式算法对信号进行降噪,实现信号的小波分解,获得重构后的故障诊断子频带信号;然后,在经典的EMD算法的基础上定义了改进的EMD算法,采用改进的EMD算法对经过小波包降噪的故障诊断子频带信号进行特征提取,从而获得故障诊断特征向量;最后,采用适合小样本分类的SVM进行故障诊断,将经过小波包降噪和EMD特征提取的样本数据用于训练SVM,得到用于故障诊断的多个二分类SVM故障诊断模型,通过投票机制来确定样本数据最终对应的故障诊断类别:在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中基于小波包和EMD-SVM的方法一种适用于小样本的故障诊断方法,且与其它方法相比,具有诊断效率高和精度高的优点.     

基于DAGSVM的轴系扭振故障诊断方法

针对船舶轴系扭振故障小样本事件,基于小波包Shannon熵与二叉决策树支持向量机(DAGSVM)理论建立一种轴系扭振故障诊断模型.首先通过船舶轴系扭振实验平台提取轴系扭振四种模式信号;然后利用小波包变换提取Shannon熵值,作为故障输入特征向量;最后利用K-CV交叉验证法提升支持向量机,对故障进行建模识别.试验表明,...     

装备故障诊断方法研究

研究装备故障预报,便于及时维修,选取诊断方法对于高效的故障诊断具有重要意义,因此概括了故障诊断的方法.为了提高诊断率,保证运行安全,采用小波分析和回归型支持向量机两种先进的故障诊断方法,仿真结果表明两种方法都能准确定位故障点,用时大致相同,但支持向量机同时实现原始信号的重构,而且残差比小波滤波的信号噪声还要小,可以优先采用,对故障诊断方法的选取具有指导意义.采用人工神经网络方法较好地解决了齿轮故障问题,并且诊断结果是准确的.     

基于转辙机牵引力和PSO-SVM的道岔故障诊断研究

随着高速铁路的快速发展,道岔故障频发,成为一直是急需解决的重大安全问题;首先从道岔的运行原理出发,研究了转辙机拉力对道岔的影响;然后进行了转辙机的电动机的功率和电流参数的比较,结果表明,转辙机拉力更能直观反映道岔的运行情况;最后提出了用转辙机拉力参数实现基于粒子群算法优化支持向量机(PSO-SVM)的道岔故障诊断算法;经过对实际数据的处理,表明此种诊断方法对道岔的故障有较好的分辨能力。     

基于支持向量机的舰船柴油机分层故障诊断

介绍了支持向量机(SVM)理论的基本概念、原理及其学习算法,分析了基于传统的专家系统理论的故障诊断系统在知识获取、知识表达及推理能力等方面的缺陷,提出了构造多重支持向量机（MSVM)模型解决舰船故障诊断问题的设想,开发了一套故障诊断仿真系统。     

基于小波分析和支持向量机的模拟电路故障诊断

针对模拟电路故障诊断,采用基于小波分析和支持向量机的诊断测试方法,将方波信号作为输入信号激励电路,对电路的响应信号进行小波分析并提取信号的能量作为故障特征向量,并最终利用SVM的一对一多分类方法实现了故障分类。通过对ITC97中的Elliptical Filter电路仿真验证表明,方波信号能够比单频信号更好地激励电路故障,本文所采用的方法能够有效地应用于模拟电路的故障诊断测试中。     

基于支持向量机的旋转整流桥故障诊断

针对车辆同步发电机中旋转整流桥发生故障时电源系统处于"带病"工作状态,直接检测相对困难的问题,通过MATLAB/Simulink建立同步发电机中旋转整流桥的仿真模型,分析各种故障状态下对定子绕组电流波形的影响,将定子绕组产生的谐波次数及幅值作为特征向量,采用支持向量机进行模式分类,通过组合网格法选择各模式分类的参数,构成"一对多"的多分类支持向量机.通过与BP神经网络的分类对比,结果表明支持向量机用少量样本就能获得较好的诊断效果.     

基于神经网络的柴油机故障诊断方法

提出了一种基于三层BP网络的柴油机故障诊断模型，给出了一种基于黄金分割法的变步长学习算法。仿真结果表明，该算法比标准BP算法具有更快的学习速度，完全适用于柴油机故障诊断系统。     

基于属性约简与参数优化的SVM故障诊断研究

应用数据挖掘的方法从实时数据库中提取相应的故障诊断知识是一种有效途径,也是很有现实意义和研究价值的问题。为提高汽轮机组故障诊断的效率,并考虑其计算成本和复杂性,把关联分析作为数据的前处理器,通过计算属性间的相关系数,结合最大最小聚类方法,删除冗余属性。然后采用支持向量机进行故障诊断,构造SVM多分类器,采用粒子群优化算法对参数寻优并训练样本。并与BP神经网络和线性判别分析做比较,实验表明此故障诊断方法诊断速度快、准确率高,可以很好地应用于设备故障诊断。     

基于神经网络的柴油发动机故障预测研究

为了保证设备安全可靠地运行,需要对设备进行故障预测,及时消除故障;探讨了故障预测技术的应用及神经网络预测原理和建模的方法,给出了神经网络模型在预测过程中的学习算法和改进的神经网络的训练算法,并用于柴油发动机运行中的故障预测,经过多种柴油机的试验证明试验结果满意,对故障的实时检测有重要意义,具有良好的应用前景.     

基于支持向量机的转子系统早期故障诊断方法

转子系统中的振动信号包含了很多状态信息,运行过程中故障特征的有效提取和识别对于转子系统早期故障诊断非常关键。针对转子系统故障信息的复杂性,提出将小波包分析和支持向量机相结合的转子系统早期故障诊断方法。该方法首先利用改进的小波包方法提取早期故障特征;然后将提取的特征向量输入基于支持向量机的分类器进行故障识别。实验分析结果表明,该方法在小样本情况下,能够有效识别转子系统的早期故障,具有很好的分类精度,而且能够实现旋转机械的多故障诊断。