基于谐波小波包和OAO-RVM的滚动轴承故障诊断方法

结合谐波小波包和相关向量机设计了滚动轴承故障诊断方法,以实现轴承正常状态、内圈故障、滚动体故障及外圈故障状态的诊断。首先,利用谐波小波包对轴承的振动信号进行多层分解,根据各频段的小波分解系数计算各个频带能量,归一化之得到特征向量;其次,对传统的OAO-RVM模型进行简化,改进为新的OAORVM多模式分类模型;最后,利用滚动轴承试验台的振动数据对设计方法进行了验证。结果表明,设计的诊断方法在识别的准确率及算法计算效率方面均比传统的支持向量机诊断方法好。     

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MFF与IWOA-LSSVM的电机轴承故障诊断研究

针对电机轴承故障诊断过程中,存在种种困难的问题,提出了一种基于多特征融合(MFF)与改进鲸鱼优化算法(IWOA)优化最小二乘支持向量机(LSSVM)的电机轴承状态诊断方法。首先,利用Sobol序列去初始化算法种群,在算法种群搜索过程中加入了莱维飞行策略,并在WOA算法位置更新公式中添加了惯性权重;然后,提取了电机轴承振动信号的小波包能量特征、平均值和峭度,并将以上电机轴承振动信号特征作为算法的输入;最后,为了验证基于MFF与IWOA-LSSVM的电机轴承诊断方法的有效性,分别以单独使用小波包能量特征作为算法输入,以及小波包能量特征和时域特征共同作为算法输入,进行了两组相关的电机轴承状态识别对比实验。研究结果表明：相比于单一小波包能量特征,采用多特征融合能更全面地反映电机轴承真实运行状态;相比于PSO、GA算法,基于WOA算法可以更有效地避免局部最优;相比于基本WOA算法,改进后的WOA算法可以更有效地避免局部最优;相比于其他电机轴承状态识别算法,IWOA-LSSVM算法的分类性能更优,对电机轴承状态识别率达到99.5%。     

钢板缺陷识别的Volterra-SVM模型研究

针对钢板缺陷识别问题,结合超声波脉冲反射原理,提出一种基于Volterra级数和支持向量机的钢板缺陷识别方法。首先,利用Volterra级数模型建立起钢板缺陷的特征模型;其次,使用分数阶粒子群优化算法提取出原始信号中的特征参数,即Volterra级数时域核;最后,将提取到的特征向量输入支持向量机模型进行训练与测试,完成对钢板缺陷的分类识别。设计实验得到多组数据样本,进行模型验证,实验结果表明：基于Volterra级数和支持向量机的识别模型能够较好的完成对钢板缺陷的分类识别,识别准确率达93.3%。     

基于CEEMD与SVM的离心泵转子不对中故障诊断方法研究

为了更好地判断离心泵转子不对中故障,通过互补经验模态分解(CEEMD)结合支持向量机(SVM)对转子不对中故障进行识别,搭建离心泵故障模拟实验台,利用电涡流振动位移传感器采集离心泵转子位移信号,使用CEEMD算法分解离心泵在正常状态与故障状态下信号,通过相关系数法和阈值,选取有效内涵模态分量(IMF)分量进行信号重构,计算重构信号的时域特征参数并组成特征向量,最后利用SVM对故障进行识别分类。结果表明,采用CEEMD方法可以有效提取出离心泵转子不对中时的故障特征。采用SVM方法对重构后的信号提取的特征向量进行训练,故障识别准确率可以达到93%,能够有效识别离心泵转子不对中故障。     

基于人工蜂群-BP神经网络的刀具磨损监测

为了提高刀具磨损状态监测准确度,提出基于人工蜂群-BP神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数,使用核主成分分析法对特征参数进行了降维,确定了反应刀具磨损状态的15个特征参数;提出了人工蜂群-BP神经网络算法的刀具磨损状态识别方法,使用人工蜂群算法优化BP神经网络算法参数;经实验验证,传统BP神经网络识别准确率为78.75%,优化BP神经网络算法识别准确率为100%。     

基于支持向量机的摩擦焊超声检测缺陷识别

为准确识别摩擦焊试件接头主要缺陷类型,采用小波包变换对一维超声信号进行处理,利用“能量-故障”法提取信号特征值,并将特征值引入“一对多”支持向量机进行分类识别。通过验证发现,支持向量机较好解决了小样本、非线性和高维数问题,准确率高、容易在线实施,具有较强推广能力。     

蜗轮减速器振动信号特征提取与状态识别

为实现蜗轮减速器运行状态识别,首先结合小波包分解和矩阵理论的特点,提出基于参考信号的小波包能量矩阵构造方法,分析了矩阵的最大奇异值（特征值）与运行状态的物理联系,并验证了所提方法比以往方法提取出的特征参数敏感度更高;然后改进思维进化算法（MEA）用于优化BP神经网络,实现对运行状态的智能识别,将提取的特征参数构成神经网络的输入向量,结果表明识别正确率提高了17.93%,从而验证了改进算法的优越性;最后提出了一种快速分类方法,该方法可以较好地区分故障与正常状态,解决了对实时性要求较高的在线诊断问题。     

基于主成分分析和支持向量机的滚动轴承故障特征融合分析

为有效降低滚动轴承故障特征的维数并提高诊断准确率,将主成分分析（PCA）和支持向量机（SVM）方法应用到轴承故障特征的融合分析中,给出了相应的决策流程。应用基于小波包分解的特征提取算法及特征向量的构造方法对不同状态下的振动信号进行分解,得到用于表征轴承运行状态的8维特征集合;应用PCA提取累积贡献率达到95%的特征主成分并输入SVM分类器中进行识别。结果表明,将滚动轴承故障特征从8维降低到5维,仍可有效表征轴承的状态,但大大降低了计算的复杂性;故障诊断的准确率达到97%以上,诊断时间也相对较短;4种轴承状态识别的准确率从高到低依次为正常、外圈剥落、滚动体剥落和内圈剥落,可为确保设备安全运行和快速故障诊断提供理论依据。     

基于多小波包和邻域粗糙集的故障诊断模型

为了解决机械设备复合故障难以正确识别的问题,提出一种基于多小波包和邻域粗糙集的机械故障诊断模型.首先,采用多小波包对原始振动信号进行分解,分别提取原始信号和各分解频带信号的时域特征组成原始特征;然后,采用邻域粗糙集方法筛选出敏感特征作为多分类支持向量机的输入,实现机械设备不同状态的自动识别.模型应用结果表明相比于传统小波包,多小波包分解够提取到更丰富的故障信息和获得较高的识别精度;邻域粗糙集能够从大量的原始特征中选择出敏感特征,减小分类算法的复杂性,进一步提高分类准确率.该模型在复合故障的诊断方面具有显著优势.     

联合收获机割台装置装配质量智能检测方法与精度研究

针对联合收获机割台装置装配质量检测方法改进和精度提升等问题,结合智能算法进行装配质量检测,采用小波包能量熵对东方红4LZ-9A2联合收获机割台振动数据进行特征提取,利用差分灰狼优化算法平衡全局和局部寻优能力对支持向量机的惩罚系数和核函数半径进行寻优。小波包能量熵所用算法时间相较于变分模态分解和经验模态分解分别缩短了97.64%和96.89%,预测准确率分别提升了1.74%和56.25%,优化后支持向量机预测识别的准确率提升了2.05%。并使用优化后的模型对割台装置进行装配质量检测,进行多组对比试验,结果表明,差分灰狼算法优化后的支持向量机准确率,比粒子群算法提升了7.57%,比遗传算法提升了6.42%,比布谷鸟算法提升了11.80%。证明小波包能量熵对于割台装置振动信号数据特征提取的优越性,以及差分灰狼优化算法优化后的支持向量机对割台装置装配质量预测和识别的有效性,为联合收获机割台装置装配质量检测方法和精度的研究提供了理论指导和工程借鉴。     

基于小波包分析和LS-SVM的钻削刀具状态识别研究

为了有效地识别钻削刀具磨损状态,提出一种基于小波包分析和最小二乘支持向量机(LS-SVM)的状态识别方法。通过在线监测钻削加工过程中的钻削轴向力和刀具状态,采用时域分析、频域分析以及小波包分析法对刀具磨损状态的信号进行特征向量提取,建立基于最小二乘支持向量机(LS-SVM)的分类识别模型。通过试验验证了该方法可以提高刀具磨损状态的识别精度。     

基于ISVD多级降噪和SVM的轴承故障诊断研究

在强噪声背景下难以提取出滚动轴承的故障特征，导致对轴承的故障诊断准确率不高，针对这一问题，提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先，采用小波降噪对滚动轴承的原始信号进行了初始降噪，消除了部分的随机噪声；然后，主要通过改进相空间矩阵重构方式，对该信号进行了改进奇异值分解二次降噪，并提出了新的奇异值有效秩阶次确定方法，利用峭度对一维信号提取方案进行了优化，并对其完成了降噪；最后，通过提取了10个有效特征，结合支持向量机在MATLAB中进行了仿真实验，分析了不同特征对轴承的故障诊断结果的影响，并将方法与其他方法进行了对比分析。研究结果表明：采用多级降噪算法降低了轴承工作状态下的背景噪声，使其故障特征频率更为明显；支持向量机分类诊断器的故障识别准确率达到98.3%,能够有效地识别轴承故障发生的位置和严重程度。     

基于GAPSO-SVM的钣金零件图像识别方法

为了实现视觉引导装配过程中钣金零件图像的识别,对零件图像进行预处理,提取形状特征,将遗传算法的交叉变异操作引入粒子群算法,形成遗传粒子群算法。采用遗传粒子群算法同时进行支持向量机的参数优化和特征选择。实验表明,将所选用特征由初始的12维降维到3维,测试集识别准确率100%,完全满足零件识别分类的要求。     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

基于GLCT及CPA-SVM的变转速齿轮泵健康状态分类研究

针对齿轮泵变转速工况，提出广义线性调频小波变换(Generallinearchirplettransform,GLCT)和食肉植物算法(Carnivorous plant algorithm,CPA)优化支持向量机(Support vector machines,SVM)相结合的齿轮泵健康状态分类识别方法。首先选取4组磨损量不同的轴套，利用改造试验台采集不同状态下齿轮泵的振动信号；然后，引入GLCT时频分析方法消除转速变化的影响，提取瞬时旋转频率，进行角度域重采样，提取角度域中峰值指标、脉冲指标、峭度指标，与阶次谱方均根值、阶次域阶次幅值作为特征参数；最后，引入CPA对SVM两个参数c和g优化的分类方法，进行齿轮泵的健康状态进行分类识别，为了进一步验证算法有效性将其与SVM和极限学习机(Extreme learning machine,ELM)两种方法进行比较。结果表明，提出的分类方法平均准确率可达93.75%以上，能有效提高分类识别准确率。     

基于灰关联信息熵的SVM决策树轴承故障分类

为提高轴承故障诊断的准确率,以灰色关联理论和信息熵理论为基础,提出了基于灰关联信息熵提取属性特征的支持向量机决策树多故障分类器.该分类器可以实现对轴承的多故障类型的分类,并对轴承的各类故障进行了分类实验.验证结果表明,该方法可有效地进行故障状态识别,达到了准确进行机械系统多故障诊断的目的.     

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。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

双谱分析和支持向量机在转盘轴承故障诊断中的应用

针对转盘轴承故障样本少、信号微弱且不易提取的特点,提出了一种双谱分析和支持向量机相结合的故障诊断方法。首先采用双谱分析提取特征向量,然后利用支持向量机对转盘轴承正常、外圈故障、单个螺栓断裂、多个螺栓断裂4种状态进行分类和识别。结果表明:该方法分类结果的总体准确率为86%,基本有效可行,但精度仍需进一步提高。