Adaboost_SVM集成模型的滚动轴承早期故障诊断

针对滚动轴承早期故障诊断中故障特征微弱难以有效检测的问题,提出一种基于Adaboost提升支持向量机(Support vector machines,SVM)集成学习模型的滚动轴承早期故障诊断方法。首先以Cincinnati大学实测的滚动轴承全寿命振动数据为基础,采用特征参数跟踪法,建立特征参数的趋势分析,并据此选择用于滚动轴承早期故障诊断的敏感特征参量,然后通过构造Adaboost提升SVM集成学习模型,并将其应用于滚动轴承的早期故障检测中。Ada Boost能够自适应地提升单一SVM的分类性能,相对于传统的单一SVM分类器Adaboost_SVM稳定性最好,早期故障诊断准确率最高。实验结果表明,结合优选的敏感特征参量,Adaboost_SVM能有效地诊断滚动轴承的早期故障模式。     

量子遗传算法优化的SVM滚动轴承故障诊断

针对单一测度模型的特征评价方法存在特征敏感度"欠学习",以及支持向量机(support vector machines,简称SVM)参数优化算法普遍存在收敛速度慢、易陷入局部极值等问题,提出一种量子遗传算法优化的SVM滚动轴承故障诊断方法。首先,采集振动信号中的时域和频域特征构成多域多类别原始故障特征集;其次,构建一个基于相关性、距离及信息等测度的混合特征评价模型,得到特征权重与特征值组合构成的加权故障特征集;最后,将加权故障特征集为输入,将量子熵引入到量子遗传算法当中,对SVM的结构参数进行全局优化,完成滚动轴承故障模式的识别。试验结果表明,该方法能够以更快的速度收敛至全局最优解,在保证聚类性能的基础上提高了滚动轴承的诊断精度。     

张量奇异谱分解与极限学习机的故障诊断方法

针对滚动轴承故障诊断问题,提出张量奇异谱分解(TSSA)与极限学习机(ELM)相结合的诊断方法.TSSA将一维时域振动信号转换成三阶张量,使用标准张量分解对三阶张量进行分解并重构回一维时域振动信号;为了验证TSSA的有效性,将奇异谱分解作为对比方法,仿真结果表明:TSSA重构后的信号能够找到故障特征倍频,其效果优于奇异谱分解.从重构时域信号中提取时域特征参量,并使用ELM网络对其实施诊断;为验证ELM的有效性,将BP、SVM作为对比算法,诊断结果表明:从诊断准确率、样本比例、诊断时间方面而言,ELM的性能比BP、SVM要好,ELM更适宜于轴承故障诊断.     

时域及功率谱特征因子诊断轴承故障的实验研究

应用时域无量纲因子及频域功率谱特征因子诊断滚动轴承故障,由于计算简便,判断容易,适宜于在线监测或点检采用。本文通过大量实验分析,论述了各特徵因子对滚动轴承点蚀(剥落)或磨损故障诊断的敏感度,转速或经向力变动对各因子的影响以及运行时间对各因子变动趋势的影响。分析结果可用于滚动轴承的故障诊断。     

多尺度排列熵及其在滚动轴承故障诊断中的应用

引入多尺度排列熵（MPE）的概念,用来检测振动信号不同尺度下的动力学突变行为,并将其应用于机械故障诊断中滚动轴承故障特征的提取,结合支持向量机(SVM),提出了一种基于MPE和SVM的滚动轴承故障诊断方法,将新提出的滚动轴承故障诊断方法应用于实验数据分析,并通过与BP神经网络对比,结果表明,该方法能够有效地提取故障特征,实现故障类型的诊断。     

LMD能量熵和SVM相结合的滚动轴承故障诊断

为实现小样本情况下对滚动轴承进行故障检测和分析,提出了基于局部均值分解(LMD)的能量熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。利用LMD信号处理方法将滚动轴承振动信号分解成有限个乘积函数(PF)分量,通过计算PF分量的能量熵进行故障特征提取,然后将提取的特征输入到SVM分类器中进行训练及测试,最终实现对滚动轴承的故障诊断。实验数据显示,在仅有少量样本条件下,LMD能量熵和SVM相结合的方法能够精确地对滚动轴承的故障类型进行识别和分类,这表明该方法对滚动轴承故障诊断的有效性。     

基于假设检验和支持向量机的旋转机械故障诊断方法

针对旋转机械故障诊断中存在的早期非平稳微弱故障信号特征提取困难、故障诊断不准确等问题,提出了一种基于自适应假设检验滤波和支持向量机（SVM）的故障诊断方法。该方法采用统计学假设检验原理来评估参考信号(噪声信号)和原始信号(故障信号)在频域上的相似性,删除具有高相似性的频域成分;通过粒子群优化算法获得最佳的显著性水平α;定义评估因子Ipq来评价假设检验滤波的效果。最后通过SVM来逐次诊断轴系构造异常。验证结果表明该方法能够有效地诊断出传动轴不对中和不平衡的故障类型。     

基于混合域特征集与加权KNN的滚动轴承故障诊断

针对滚动轴承的早期故障特征微弱难以有效辨识的问题,提出基于混合域特征集与加权K-近邻分类器的滚动轴承早期故障诊断方法。首先,基于时域、频域、时频域信号处理方法计算滚动轴承早期故障的特征指标量,构造混合域特征集,再将混合域特征集输入给KNN实现滚动轴承的早期故障诊断。实验结果表明,基于混合域特征集与加权K-近邻分类器的滚动轴承早期故障诊断方法能够有效地提取滚动轴承早期故障的低维敏感特征,而且结构稳定,诊断精度高,可以推广应用于滚动轴承的实时在线监测。     

基于混合域特征集与PSO-SVM的滚动轴承故障诊断方法

针对单一或单域特征难以全面反映设备零部件运行状态的问题,提出了一种基于混合域特征集与粒子群优化支持向量机(Particle Swarm Optimization Support Vector Machine,PSO-SVM)的滚动轴承早期故障诊断方法。首先,分别采用基于时域、频域以及时频域的信号处理方法进行特征提取;然后将提取到的特征指标进行有机结合,构建混合域特征集;最后将混合域特征集输入粒子群优化支持向量机中实现滚动轴承早期故障的诊断。通过对凯斯西储大学轴承故障诊断实验数据进行验证,结果表明该方法在轴承故障诊断中具有精确性与稳定性。     

基于SPWVD时频图纹理特征的滚动轴承故障诊断

针对如何提高滚动轴承故障诊断准确率的问题,提出一种基于平滑伪维格纳-威利分布(smooth and pseudo Wigner-Ville distribution,简称SPWVD)时频图纹理特征的故障诊断方法,对滚动轴承不同故障类型及故障程度进行识别。首先,采用SPWVD时频分析方法处理轴承故障振动信号,并获取时频图,从中提取选择表征能力优秀的特征参量作为故障特征;其次,将故障特征作为输入,结合支持向量机(support vectors machine,简称SVM)建立滚动轴承故障诊断模型;最后,采用轴承故障数据,比较SPWVD时频图纹理特征、维格纳-威利分布(Wigner-Ville distribution,简称WVD)时频图纹理特征和小波尺度谱图纹理特征3种故障特征的模式识别能力及准确率。分析结果表明,SPWVD时频图纹理故障特征分类效果最佳,敏感性最强,具有较高的故障诊断精度。