基于后验概率的支持向量机在故障诊断中的应用

考虑到用后验概率能更有利于表示样本的类别信息和相关后处理,在故障诊断中引入了后验概率,同时针对故障诊断问题中误判造成的损失不同这一特点,通过引入损失函数,使诊断决策的平均损失达到最小,建立了适合故障诊断的模型。通过与其他方法的比较和诊断实例说明了该方法的合理性和有效性。     

基于特征选择的支持向量机在故障诊断中的应用

机械设备因为其本身结构的复杂性,故障很难简单地进行诊断,所以智能诊断成为一个热点的研究方向。以前的工作中多是通过神经网络甚至支持向量机等方法进行诊断,本文提出了基于支持向量机集成的特征选择算法,通过该算法可以有效去除故障数据集中所提取的不相关特征,并在新的更少特征的数据集上进行建模。在实际某柴油机故障数据上的计算表明:在通过特征选择后的数据集上利用支持向量机集成的方法建模可以得到比不进行选择更好的结果,也得到了比单个支持向量机建模更好的结果。     

基于综合型模糊支持向量机的故障诊断方法及应用

设备信息和故障的不确定性、模糊性及故障样本的缺乏给故障诊断带来了较大的困难.针对该问题,分析了现有模糊支持向量机的原理和优缺点,提出了一种综合型模糊支持向量机.该模糊支持向量机既可以处理样本含有模糊信息的情况,又可以解决支持向量机分类中存在的不可分问题.然后,提出了基于综合型模糊支持向量机的故障诊断方法,并在某电路系统故障诊断中开展了应用研究.应用结果表明,该诊断方法在设备状态存在模糊性和故障样本较少的情况下,与现有模糊支持向量机诊断方法相比,实现了较准确的故障诊断.     

基于支持向量机的异步电机故障诊断系统

电机故障将造成巨大的经济损失,甚至于人身安全.一个准确的故障诊断系统能够最大程度地降低风险,有利于生产、生活的正常进行.阐述了支持向量机(SVM)及最小二乘支持向量机(LS-SVM)算法的原理,研究了基于LS-SVM的异步电动机故障诊断,比较了正常状况与3类故障的不同,并对3类故障进行了自动分类,测试了分类结果.实验表明,基于SVM的异步电机故障诊断可靠性好,实用性强,验证了SVM的优越性.     

基于支持向量机的离心泵故障诊断方法研究

简要论述了支持向量机的原理，介绍了几种支持向量机的多类分类算法，最后将它们应用于离心泵的故障诊断进行比较，获得了令人满意的效果。     

遗传算法和支持向量机在机械故障诊断中的应用研究

提出一种基于遗传算法和支持向量机的故障诊断方法,利用遗传算法对故障特征集和支持向量机的参数同时进行优化,然后把优化选择的故障特征输入支持向量机进行故障识别.既剔除了故障特征的冗余性、减少了计算量,又解决了支持向量机的参数难以选择等问题.诊断实例表明,该方法能利用较少的故障特征得到较高的诊断精度.     

支持向量机在高压直流输电系统故障诊断中的应用

高压直流输电(HVDC)是一种新型输电技术,为更有效地诊断HVDC系统故障,本文首先对系统几种常见故障进行仿真研究,在此基础上提出将支持向量机(SVM)用于系统故障分类,并对不同参数下的SVM模型性能进行比较.研究结果表明SVM用于HVDC系统故障诊断是合理、有效的.     

基于支持向量机的航空发动机故障诊断

支持向量机学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在有限样本的学习中显示出优异的性能。本文将这一新的统计学习方法应用到航空发动机故障诊断的研究中,并通过某型航空发动机故障诊断的实验结果表明了本文方法的有效性。     

基于支持向量机的齿轮故障诊断方法

对齿轮故障诊断的特点进行了阐述，指出由于环境噪声的干扰，在齿轮故障诊断中往往不能获得理想的诊断结果。为此在对齿轮运行状况进行有效特征提取的基础上，采用支持向量机的方法对齿轮进行故障诊断。研究结果表明采用该方法可以获得比神经网络和线性判别方法等更准确的诊断结果。     

支持向量机在设备故障诊断方面的应用研究概述

分析了支持向量机（support Vector Machine—SVM）的原理，并就近年来在设备故障诊断方面的应用研究进行了综述，讨论了SVM的优点和不足，展望了其在设备故障诊断的研究前景。     

一种基于支持向量机的齿轮箱故障诊断方法

提出了一种基于多分类支持向量机(简称MSVM)的齿轮箱故障诊断方法。先根据齿轮箱故障机理和振动特点,探讨了齿轮箱故障诊断试验方案。再测取齿轮箱振动信号,并提取了能反映齿轮箱运转信息的时频域特征参数。通过结合投票法和决策树的基本思想,有针对性地构造了多分类支持向量机决策结构并将其应用于齿轮箱故障诊断。实际齿轮箱故障诊断试验结果表明,该决策结构较好地解决了小样本学习问题,避免了人工神经网络进行诊断时出现的过学习、收敛速度慢、泛化能力弱等缺点,能有效应用于齿轮箱故障诊断。     

多核学习SVM在发动机故障诊断上的应用

为了从小样本的发动机性能参数故障数据中提取故障信息,准确而快速的识别故障数据,支持向量机具备的诸多优点使其逐步的应用到发动机的故障诊断中。目前,已有不少利用支持向量机进行发动机故障诊断的研究,但对核函数的选用大多使用单一核函数对数据进行训练,在没有先验的情况下,往往不容易选择出最优的核函数。通过对核函数的研究,提出将基于多核学习构建的组合核函数作为支持向量机新的映射函数,通过故障实例演示了多核学习SVM在发动机故障诊断上的应用,说明了组合核函数的构建方法和相比于单一核函数的优越性。     

基于最小风险的SVM及其在故障诊断中的应用

结合两类错误分类造成损失不等这一故障诊断特点，提出了基于最小风险的SVM方法。进行了三个方面的研究：a．在P1att提出的样本后验概率基础上，给出了修正的分类面以及修正的后验概率估算方法，并分析了该方法的合理性；b．将最小风险决策与SVM输出的后验概率有机融合，使该方法对故障的诊断更加敏感，减小漏判概率；c．以电液伺服阀故障诊断为例，对样本数据经K-L变换后进行可视化研究，分类结果表明了该方法的可行性。     

BFA优化SVM的刀具故障诊断

支持向量机(SVM)对机床刀具磨损阶段监测的诊断能力与其参数惩罚因子C和核函数参数g紧密相关,SVM参数的优化对其诊断精度影响很大.为解决人工选取支持向量机参数效率低、准确率不高的问题,提出一种细菌觅食算法(BFA)优化SVM参数的刀具故障诊断方法.将SVM的诊断准确率作为细菌觅食算法的优化目标,利用细菌觅食算法对SVM参数全局寻优,得到最优参数组合.实验结果分析表明,相对于传统的SVM,优化参数后的SVM对刀具磨损阶段的监测准确率至少提高了5％,验证了此方法的可靠性.     

基于CEEMDAN SVM的液压泵故障诊断方法研究

由于液压泵故障振动信号微弱和不平稳的特性,造成特征向量提取和故障诊断困难。针对这些问题,提出一种CEEMDAN与支持向量机结合的故障诊断方法。将传感器测得的液压泵故障振动信号进行CEEMDAN分解,得到多个固有模态函数（IMF）,并计算其样本熵作为支持向量机的输入特征向量,以诊断液压泵的故障类型。液压泵故障诊断实验结果证明了该方法的有效性和优越性。     

基于EMD与多特征的支持向量机故障诊断

针对齿轮振动信号的非线性、非平稳性与故障分类识别率低的问题,提出了一种基于EMD(经验模态分解)与多特征的支持向量机(SVM)故障诊断方法。该方法首先将采集到的信号进行小波包降噪;然后提取降噪后信号的各项时域参数指标;同时,将降噪信号经过EMD运算并提取以互相关准则选取的各本征模式分量(IMF)的能量指标;最后,将两部分特征向量组合后作为SVM的输入进行训练与预测。实验结果表明,该方法对于齿轮状态具有很好的分类精确度,能很好地应用于齿轮的故障诊断。     

基于双树复小波和自适应权重和时间因子的粒子群优化支持向量机的轴承故障诊断

提出了一种基于双树复小波和具有自适应权重和时间因子的粒子群算法优化支持向量机的轴承故障诊断方法。首先对机械振动信号进行DTCWT变换,提取能量熵作为特征向量。然后采用AWTFPSO算法优化SVM,实现轴承故障诊断。不同方法的对比实验及分析结果表明,该方法速度快、准确率高。     

基于球结构支持向量机的故障劣化趋势诊断

提出了一种球结构支持向量机的故障劣化趋势检测方法。该方法是以EMD的奇异值分量作为特征向量,输入球结构支持向量机分类器,对滚动轴承滚珠的故障劣化趋势的三种状态进行诊断,并且采用主成份分析的可视化方法进行验证,结果表明,该方法能够准确地诊断故障劣化趋势。     

一种基于主成分分析和支持向量机的发动机故障诊断方法

提出一种新型的基于主成分分析（PCA）和支持向量机（SVM）的故障诊断方法。首先提取振动信号的多项时域指标,并利用小波包分解提取频域特征;再利用PCA从提取的时域、频域特征中选取敏感特征,实现降维处理,减小数据处理复杂度;最后利用SVM进行特征子集的训练和测试,实现故障分离。该方法在柴油机的失火、撞缸、小头瓦磨损等典型实际故障中的诊断准确率高达98%,证实了该方法的有效性。