滚动轴承故障的振动信号诊断方法

针对滚动轴承损伤类故障振动信号的特点,充分利用HMM、SVM在序列行为的分类和小样本方面的优势,把SVM的输出转化为HMM中观察值概率矩阵模型,建立了动态过程时间序列分类器,提高模型的学习速度和分类性;基于对包络解调信号提取AR模型参数构建的用于训练和故障识别的特征矢量,提出了一种基于SVM-HMM混合算法的滚动轴承故障诊断方法.将该方法应用到滚动轴承故障诊断中取得了较好的效果.     

基于隐马尔可夫模型的汽轮机故障诊断方法研究

为提高汽轮机故障诊断的准确率,本文提出一种基于小波包能量与隐马尔可夫模型相结合的汽轮机故障诊断方法.对汽轮机振动信号进行小波包分解,将小波包能量作为特征集;分别对每种故障状态的样本训练HMM(Hidden Markov Model),并构建故障诊断知识库;最后利用训练好的HMM对待测样本进行故障诊断.通过对汽轮机常见故障的诊断分析表明,基于隐马尔可夫模型的故障诊断方法的准确率优于BP神经网络、SVM(Suppvrt Vectwr Machine)等方法.     

基于连续高斯密度混合HMM的滚动轴承故障诊断研究

滚动轴承在直升机的传动系统中占有十分重要的地位，对其进行快速有效的状态监测与故障诊断具有重大意义。由故障诊断和隐马尔可夫模型(Hidden Markov Model，HMM)本质上的相通性，利用连续高斯密度混合隐马尔可夫模型分析滚动轴承的振动信号，先以基于短时傅里叶变换的倒谱系数为特征训练模型，再利用模型进行状态监测和故障诊断，实验结果表明该方法能利用少量样本进行训练和有效诊断，且具有训练时间短、诊断速度快的优点。     

基于AR-连续HMM的故障诊断模型及应用

在状态监测与故障诊断中,被测设备的状态一般不能直接观察到,要通过测量被测设备的表现来感知,这和隐马尔可夫模型(HMM)在本质是相通的。因此可以利用连续高斯密度混合HMM分析被测设备的振动信号,首先以AR模型系数为特征,研究不同状态数与不同混合高斯数对HMM模型分类的影响,再利用较优的状态数与混合高斯数HMM模型进行状态监测和故障诊断,诊断与对比实验结果表明该方法能利用少量样本进行训练和有效诊断。     

基于DGA和HMM的小样本变压器故障诊断算法

针对基于油中溶解气体分析(DGA)的变压器故障诊断方法需要大量训练样本,而实际应用中缺乏样本的问题,提出在小样本情况下一种应用基于DGA和隐马尔科夫模型(HMM)的变压器故障诊断算法。该算法利用DGA提取变压器的故障特征,使用HMM作为变压器故障诊断分类器,并对HMM模型的训练算法进行改进,引入比例因子和多观测序列。试验结果表明：使用公开数据集IEC TC 10作为变压器故障数据集,将本算法与常用于小样本情况的SVM、决策树算法相比较,本算法的变压器故障诊断正确率更高。     

基于2D-HMM旋转机械升速过程的故障诊断方法研究

旋转机械升速过程具有信息量大、信号非平稳、重复再现性不佳等特点，二维隐Markov模型(2D—HMM)很适合处理此类信号。将2D—HMM引入到旋转机械升速过程的故障诊断中，提出了一种基于2D—HMM的故障诊断方法，描述了该模型的拓扑结构和主要参数以及相应的训练和识别算法。最后通过Bently—Nevada转子试验系统验证了方法的有效性。     

LMD和支持向量机相结合的齿轮毂故障诊断方法

局部均值分解(LMD)作为一种新的自适应时频分析方法,在故障诊断领域展现了良好的应用前景。根据某型航空发动机减速器一级齿轮毂出现裂纹故障时其振动信号会产生调制现象的特点,提出了基于LMD和支持向量机(SVM)的某型航空发动机减速器一级齿轮毂裂纹故障诊断方法。对某型航空发动机进行振动测试获取其振动样本数据,利用LMD提取故障样本数据的故障特征信息、构造特征向量,并将其作为SVM的输入特征参数,成功建立了针对目标故障的故障诊断模型。对一级齿轮毂工作状态的分析结果表明了该方法的有效性。     

DHMM＋SVM在切削颤振中的应用

根据切削颤振的特点,结合隐马尔可夫模型（Hidden Markov Model,HMM）和支持向量机（Support Vector Machine,SVM）的特点,提出了一种新的状态预测技术,同时也提出了一种新的特征提取方法。首先在等时间间隔内对切削信号实时进行小波包分解,然后通过SVM对各频带区间能量变化趋势进行回归预测,最后通过HMM对预测结果进行分类。结果表明,该方法取得了较好的预测结果。     

基于IWOA-SVM的滚动轴承故障诊断

针对滚动轴承振动信号故障难以识别的问题，创建一种应用改进鲸鱼优化算法（IWOA）优化支持向量机（SVM）的故障诊断模型。首先将轴承振动信号特征通过VMD的方式提取；其次，为改进鲸鱼优化算法，采取精英反向学习策略增强种群的广泛性，选用非线性因子并加入随机扰动策略增强探索能力；通过4组基准测试函数，将IWOA与4种优化算法对照分析，验证了此改进算法的优越性；最后，将SVM的惩罚参数和核函数参数放入IWOA中，构建IWOA-SVM故障分类模型。故障诊断的结果表明，用IWOA-SVM分类模型在故障诊断中拥有更好的效果，准确率达到100%。     

基于QPSO⁃HMM的滚动轴承故障程度辨识

综合量子粒子群优化算法（quantum particle swarm optimization,简称QPSO）的全局搜索能力与隐马尔科夫模型（hidden Markov model,简称HMM）良好的时间序列分类能力,提出一种基于QPSO?HMM的滚动轴承故障程度辨识方法,并利用实测振动信号对该方法的性能进行验证。首先,采用变分模态分解对实测振动信号进行分解,并用奇异值分解进行信号特征提取;其次,利用QPSO算法和样本信号对HMM进行训练;最后,将测试信号输入训练得到的HMM中进行滚动轴承故障程度辨识。结果表明,该算法解决了HMM的参数估计局部最优化问题,对滚动轴承不同故障程度的辨识准确率较高。     

FAULT DIAGNOSIS APPROACH BASED ON HIDDEN MARKOV MODEL AND SUPPORT VECTOR MACHINE

Aiming at solving the problems of machine-learning in fault diagnosis, a diagnosis approach is proposed based on hidden Markov model (HMM) and support vector machine (SVM). HMM usually describes intra-class measure well and is good at dealing with continuous dynamic signals. SVM expresses inter-class difference effectively and has perfect classify ability. This approach is built on the merit of HMM and SVM. Then, the experiment is made in the transmission system of a helicopter. With the features extracted from vibration signals in gearbox, this HMM-SVM based diagnostic approach is trained and used to monitor and diagnose the gearbox's faults. The result shows that this method is better than HMM-based and SVM-based diagnosing methods in higher diagnostic accuracy with small training samples.     

基于小波包-连续HMM的故障诊断模型及应用

结合小波包分析方法适于处理非平稳信号的特点及隐马尔可夫模型(HMM)的训练样本少与可解释的优点，提出基于小波包-连续HMM故障诊断方法。通过小波包分析方法从滚动轴承振动信号中提取特征，训练连续高斯密度混合HMM，再利用训练好的HMM进行滚动轴承状态监测和故障诊断，实验结果表明该方法能利用少量样本进行训练和有效诊断。     

一种新的机械系统故障分类器

提出了一种利用支持矢量机对机械系统故障进行分类的新方法;以二值分类为基础,开发了基于支持矢量机的多值分类器。并以齿轮的多种故障分类为例,进行了实际应用验证。结果表明,该方法具有很好的分类能力和较高的计算效率,不需要对原始数据进行预处理就可达到满意的效果,适合于机械故障诊断中的多故障分类。该方法的应用,为故障诊断技术向智能化方向发展提供了新的途径。     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。     

钢筋混凝土框架近断层速度脉冲地震响应分析

针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。     

Detection method of spot welding based on multi-information fusion and fractal

A novel detection method of support vector machine （SVM） based on fractal dimension of signals is presented. And models of SVM are made based on nugget size defects of spot welding. Classification using these trained SVM models is done to signals of spot welding. It is shown from effect of different SVM models that these models with different inputs. In detection of defects, these models with inputs including sound signal have a high percentage of accuracy, the detection accuracy of these models with inputs including voltage signal will reduce. So the SVM models based on fractal dimensions of sound are some optimal nondestructive detection ones. At last a comparison between SVM detection model and ANNS detection model is researched which indicates that SVM is a more effective measure than Artificial neural networks in detection of nugget size defects during spot welding.     

Intelligent diagnosis of short hydraulic signal based on improved EEMD and SVM with few low-dimensional training samples

The high accurate classification ability of an intelligent diagnosis method often needs a large amount of training samples with high-dimensional eigenvectors, however the characteristics of the signal need to be extracted accurately. Although the existing EMD(empirical mode decomposition) and EEMD(ensemble empirical mode decomposition) are suitable for processing non-stationary and non-linear signals, but when a short signal, such as a hydraulic impact signal, is concerned, their decomposition accuracy become very poor. An improve EEMD is proposed specifically for short hydraulic impact signals. The improvements of this new EEMD are mainly reflected in four aspects, including self-adaptive de-noising based on EEMD, signal extension based on SVM(support vector machine), extreme center fitting based on cubic spline interpolation, and pseudo component exclusion based on cross-correlation analysis. After the energy eigenvector is extracted from the result of the improved EEMD, the fault pattern recognition based on SVM with small amount of low-dimensional training samples is studied. At last, the diagnosis ability of improved EEMD+SVM method is compared with the EEMD+SVM and EMD+SVM methods, and its diagnosis accuracy is distinctly higher than the other two methods no matter the dimension of the eigenvectors are low or high. The improved EEMD is very propitious for the decomposition of short signal, such as hydraulic impact signal, and its combination with SVM has high ability for the diagnosis of hydraulic impact faults.     

电机故障诊断支持向量机

基于数据的机器学习是现代智能技术中的重要方面。统计学习理论(Statistical learnmgtheory SLT)是研究小样本情况下机器学习规律的新理论。支持向量机(Support vector machine SVM)是在这一理论体系基础上发展起来的一种通用学习方法。SLT和SVM正成为继神经网络研究之后新的研究热点。通过对鼠笼式异步电动机转子断条故障进行实验模拟，对实验获取的采样电流信号经FFT分析，构造以低频到高频的频谱特性为分量的学习样本向量，通过支持向量机SVM对故障电流样本的训练，使SVM具有分类功能。最后，采用SVM对电动机各种转子断条故障进行诊断分类，取得较满意的结果，说明支持向量机SVM是进行故障诊断的一种新方法。