高维小样本数据环境下基于SOA-SVM的机械故障分类研究

针对现有SVM分类算法在高维小样本故障特征分类、适应度函数选择及核心参数优化方面存在的不足,提出一种基于SOA-SVM的机械故障分类算法。利用小波阈值函数对原始故障信号做降噪预处理,基于SOA算法模拟人群的几种随机行为,选择故障数据点最优的移动方向和移动步长,最后寻找到距离SVM分类器超平面几何距离最佳的位置,提升经典SVM分类器的故障数据分类性能。仿真结果表明：提出的故障分类算法具有更强的参数优化性能,在对多个高维小样本数据集的分类中可以获得更高的分类精度。     

基于DAG-SVM的煤矿井下输送装置故障在线检测

针对现有故障在线检测方法分类性能差、检测率低的不足,提出一种基于DAG-SVM的煤矿井下输送装置多故障在线检测方法。提取井下输送装置各构成零部件的原始故障信息,对故障信号进行降噪和归一化处理,得到高频特征向量;利用DAG-SVM故障分类方法,根据故障特征向量的种类和数量构造多个分类器,通过两两比对准确识别出故障类别,并预估出故障样本的演化趋势。数据仿真结果表明：利用所提出方法确定的超平面更为合理,该方法分类精度高,多故障综合在线检测准确率达到99.47%,显著优于现有检测方法。     

基于DSP和3G的风电增速箱故障监测系统研究

以风力发电机的增速箱为研究对象,选用TMS320F28335数字信号处理器(DSP)和3G无线通信模块EM820W搭建硬件平台,设计一种嵌入式的在线实时故障监测系统。该系统利用DSP实现对风电增速箱的数据采集、存储和数据信号的分析等功能,而EM820W无线通信模块则实现数据的无线通信传输功能,将DSP分析的结果和采集的原始数据传送到上位机,从而实现对风电增速箱的远程在线诊断与监测功能,监测增速箱的工作状况。     

基于LabVIEW的齿轮调制故障检测系统设计

针对齿轮故障振动信号的调制特点,设计了一种基于振动信号的齿轮状态检测分析系统,实现齿轮传动过程中异常状态的实时在线检测。以LabVIEW为开发平台,在开发齿轮状态监测各个程序模块的基础上,设计了基于Hilbert的包络解调分析模块。最后通过仿真和实验对齿轮故障的调制振动信号进行了解调分析,分析结果表明,基于包络解调分析模块的齿轮检测系统可准确地对齿轮故障的类型和位置进行识别。     

基于云平台的锻压机床状态监测与故障诊断系统研究

研究基于云平台的状态检测与故障诊断系统方案,提出基于NETWORX和DJANGO双软件架构的策略,以解决监控评价和故障诊断网络融合的问题及实现监控多台设备的目的。设计以PLC为核心的现场控制系统;NETWORX架构可以方便与各种物联网采集系统交换数据,所以用NETWORX架构实现云平台的远程监控程序;采用Python的DJANGO设计状态检测和故障诊断程序。结果表明：所提系统特征参数的采集精度在1%范围内,控制及显示监控功能都符合设计要求。利用经验故障数据对分类回归故障树(CART)、SVM、MLP 3种常见的故障诊断智能算法进行比较。结果表明：CART算法、SVM算法、MLP算法的故障诊断正确率分别为91.3%、73.2%、86.2%,证明基于云平台的锻压机床状态监测与故障诊断系统能够满足设计需要。     

卧式数控车床上下料三轴机械手的控制系统设计

针对上下料机械手运动频繁且可靠性要求高的特点,设计了基于三菱PLC的卧式数控车床上下料机械手的电气控制系统硬件和软件。硬件系统包括主控制器、触摸屏、伺服系统、电源系统等,软件系统包括运动控制模块、通讯模块、故障检测模块。为了实现机械手工作状态的在线监测,在实时采集机械手伺服电机编码器位置反馈信号的基础上,提出了基于统计过程监控理论的机械手早期故障检测方法。该卧式数控车床上下料三轴机械手的控制系统,具有机械手早期故障检测功能,可提高机械手的工作可靠性。     

状态监测装载机液压故障诊断专家系统的研究

对某型装载机液压系统的工作原理进行分析,在此基础上建立装载机液压系统故障树,利用现代测试技术对装载机液压系统运行参数进行在线监测,利用PHP和MYSQL开发技术设计装载机人机交互故障诊断专家系统,通过设计无线网络接口,实现监测系统和专家系统信息的Socket传输,当装载机在使用过程中发生故障时,通过分析故障外在表现和在线监测参数,应用专家系统快速排除和解决故障。     

支持向量机的高速线材精轧机组主电机故障智能诊断系统

为了保证高速线材厂精轧机组主电机安全高效的运行,根据支持向量机理论(SVM),构建了某高速线材厂精轧机组主电机故障诊断系统.系统充分考虑温度、振动、电机电流及电机电压等因素对精轧机组主电机的影响,通过设计安装测点,对主电机进行监测,并运用SVM对其可能出现的故障予以预测及诊断;同时,将诊断输出值引入数据样本库,组成了智能诊断系统,提高了故障诊断结论的准确性.     

等损失SVM在机床主轴轴心轨迹偏心预测中的应用

针对机床运行过程中主轴轴心轨迹由于热变形、应力集中等原因而发生平移、旋转、压缩、伸展等,提出一种基于等损失SVM算法和误差标定拟合对机床轴心轨迹误差预测的方法。该方法首先通过实验测量出机床主轴轴心轨迹偏心数据提取样本,运用等损失SVM算法对最优分类线进行设计,然后将获得的最优分类线与标定分类线比对拟合计算出拟合度,最后通过分析拟合度,得出机床运转状态。此方法对于生产过程中机床的定期维修保养具有重要的指导意义。     

基于VC++的油液磨粒超声在线监测系统的设计与实现

超声波油液磨粒测量技术具有检测灵敏度高、穿透力强、费用低等诸多优点,是装备油液在线监测领域极具潜力的技术。基于VC++软件设计了一套超声磨粒在线监测系统,由聚焦式超声波传感器、超声波检测卡、计算机等构成硬件系统,信号采集模块、数据处理模块和监测结果显示模块构成软件系统,实现了磨粒超声散射信号的在线实时采集、数据处理和结果显示功能。实验结果表明:该系统能很好地实现油液磨粒的在线监测。     

Imbalanced data classification via support vector machines and genetic algorithms

Many real data sets are imbalanced and contain a large number of a certain type of patterns, but a very small number of another type of patterns. Normal classification methods, such as support vector machine (SVM), do not work well for these imbalanced data sets (IDS). It is difficult for SVMs to get the optimal separation hyperplane when they are trained with imbalanced data. In this paper, we propose a genetic algorithm (GA)-based classification method. A draft hyperplane and support vectors are first generated by SVMs. Then, GA is applied to compensate the imbalanced data. Finally, SVM is used again to find the best hyperplane from the generated data points. Compared with the other popular classification algorithms, our method has better classification accuracy for several IDS.     

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。     

数控机床健康诊断图形化动态交互平台的开发

为实现对数控机床智能化的状态监测与故障诊断,通过对数控机床健康诊断系统分析模型与交互特性的分析,根据数控机床故障类型与结构特点,利用Python开发一个图形化交互的数控机床健康诊断系统的动态交互平台,详细设计了系统的总体架构、数据采集模块、数据处理模块、诊断服务模块、人机交互界面。该平台可实现数控机床的动态监控、故障分析、状态数据显示及信息的发布与预警功能。     

模糊神经专家系统在风机实时故障诊断中的应用

实时性和准确性在风机实时状态监测与故障诊断中起着决定性的作用.本文综合运用模糊处理、神经网络和专家系统等先进的诊断方法及信号处理技术,采用故障定性--原因确定--处理方案等过程,提出了一种新型的模糊神经专家状态监测与故障诊断方法,并采用先进的Visual C 语言及模块式设计,为提高故障诊断准确性和实时性提供可靠保证.     

基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断

滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明：该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。     

基于MFCC特征和GWO-SVM的托辊故障诊断

针对目前带式输送机托辊故障诊断方法存在接触式测量、准确率低、井下大范围检测困难等问题,提出了一种基于MFCC特征和参数优化SVM的托辊故障诊断方法。利用变分模态分解(VMD)将采集到的托辊声音信号分解为若干本征模态分量(IMF),并基于包络熵和峭度组成的复合指标优选IMF分量;提取所选分量的梅尔倒频谱系数（MFCC)作为特征,利用灰狼优化算法（GWO）优化SVM参数;将样本特征向量输入GWO-SVM中进行故障分类。结果表明:对于正常托辊、托辊内圈故障、托辊外圈故障、托辊卡死4种工况,该方法故障识别平均准确率在95%以上。与单一指标相比,复合指标提取的IMF分量故障特性代表性更好;与其他优化算法相比,该方法的识别准确率更高,分类速度更快。     

基于TMS320LF2407的数控机床加工过程远程监控系统

为了有效地了解数控机床的工作状态,提出一种基于DSP处理器TMS320LF2407的加工过程监控系统。根据功能将数控机床加工过程监控系统分为3个组成部分,即数据采集单元、信号处理单元和故障诊断与监控中心,重点探讨数据采集、信号分析单元的实现方法。该系统结构简单、性能稳定、具有较好的可扩展性,可对数控机床的加工过程进行实时监视,及时发现故障并进行维修,实现数控机床的远程监控和集中管理。     

数据驱动算法在旋转机械故障诊断中的应用研究

传统故障诊断方法依赖于先验数据与模型,具有局限性。为解决此问题,提出一种基于数据驱动的旋转机械故障诊断方法。利用经验模式分解（EMD）算法拆分原始故障信号,得到有限个IMF分量,优化现有EMD算法得到最优的截断阈值,并有效分离系统噪声干扰;从多域量化角度提取故障信号的时域、频域特征,并基于EMD样本熵实现对去噪旋转机械故障信号中故障点特征的分类与识别。仿真结果表明：所提出的数据驱动算法能够准确地识别出不同载荷条件下的故障信号微弱特征,具有更高的训练精度和故障诊断精度