基于支持向量机与最近邻分类器的模拟电路故障诊断新策略

针对模拟电路的故障诊断和定位问题,提出了一种基于支持向量机分类器(SVC)和最近邻分类器(NNs)的模拟电路故障诊断新策略,利用SVC解决高维故障样本的分类问题,而采用NNs解决故障样本间的重叠问题。首先建立"1-v-r"结构的SVC对电路故障样本进行训练,并根据训练参数构建故障字典;其次,在测试阶段,根据算法决定利用SVC或NNs对未知样本进行测试。本文设计的故障分类器方法简单,结构确定,通过对两个模拟电路的实验表明,所提出的方法性能要优于常规的"1-v-r"支持向量机分类器;与"1-v-1"支持向量机分类器的诊断性能较为接近,但测试时间较后者显著减少,较为适合模拟电路的故障诊断。     

基于多传感器信息融合的滚动轴承故障诊断研究

由于单一传感器所包含的故障信息不能全面地反映滚动轴承的故障状态,提出了一种基于多传感器信息融合的滚动轴承故障诊断方法。首先,利用不同位置的加速度传感器采集滚动轴承故障振动信号,经集成经验模态分解(EEMD)后,前8个固有模态分量(IMF)的能量值作为分类器支持向量机(SVM)的输入故障特征参量;其次,利用故障特征参量训练分类器SVM,并对测试样本进行分类,实现故障的初步分离;然后,根据混淆矩阵获得各分类器的全局可信度和局部可信度,并与各测试样本的后验概率输出结合实现DS证据理论中基本概率分配函数的赋值;最后,利用DS证据理论实现融合以获得最终诊断结果。试验结果表明:提出的方法可有效融合不同传感器的故障信息,最大限度地避免误诊现象。     

运用改进二叉树SVM算法的柴油机振动诊断

提出了一种改进的二叉树支持向量机(support vector machines,简称SVM)算法,用以克服二叉树SVM构造时各级正类样本选择缺乏理论指导的问题。基于最易分割类应最先分割的思想,该方法在定义特征参数类识别率概念的基础上,首先逐级计算每个特征参数对各级SVM所对应各类训练样本的类识别率,然后选择类识别率综合排序结果处于第1位的样本类作为相应级SVM的正类。从缸盖振动信号包络幅值域参数和小波包分解频带能量百分比参数中选取了对气阀故障较为敏感的9个特征,形成了诊断特征向量,使用常用的1-a-r,1-a-1,DDAG以及改进的二叉树SVM多分类方法对6种气阀间隙状态进行了诊断,结果表明,本文提出的改进二叉树SVM方法具有最好的分类效果。     

基于SVM的模拟电路故障特征识别方法

针对目前模拟电路测试性设计中,故障模式分析缺乏科学数据支持的问题,提出在特征提取的基础上,利用支持向量机(SVM)解决模式分类问题的基本原理,构造SVM分类器,对电路特征进行识别、分类的方法.经过仿真验证,该方法对模拟电路故障模式的识别、分类效果显著.     

SOM神经网络在旋转机械故障诊断中的应用

研究和分析了自组织映射(SOM)神经网络的结构和算法,把SOM网络应用在旋转机械故障诊断中,利用振动传感器拾取振动信号,通过对时域、频域的分析来提取特征.通过对输入样本的"聚类",实现对故障的自动分类.这种故障的分类通过MATLAB更容易实现可视化的界面.仿真结果表明该方法可以对故障进行有效、准确地诊断,从而为旋转机械的故障诊断提供了一种新的途径.     

基于动态聚类的电力变压器故障诊断

本文提出了一种新电力变压器故障诊断的动态聚类方法，以人工免疫网络对故障样本进行免疫学习和记忆，提取表征故障样本的有用特征作为核可能性聚类算法的初始聚类中心，再用遗传算法动态选取聚类个数和中心实现故障样本的分类。该诊断方法经大量实例分析，并将其结果与BP神经网络等方法的结果相比，表明该算法具有较高的诊断精度。     

基于平滑先验分析改进散布熵的滚动轴承故障诊断

运用SPA散布熵与SG聚类方法对滚动轴承故障进行智能诊断。先通过平滑先验分析(SPA)的过程处理轴承振动信号获得趋势项与波动项；再对散布熵值进行计算得到故障特征向量，最后利用SG分类器对特征向量聚类识别。研究结果表明：通过分析系统参数对DE值的影响确定最优的取值：高嵌入维数3,类别6,时间延迟1。利用SG模糊聚类方法处理SPA-DE,不同的故障类型聚集于靠近聚类中心的区域，相邻聚类中心间形成了明显间隔，并未出现不同故障问题的相互交叉混叠，因此采用本文方法对各类轴承故障进行诊断时可以实现优异故障分类性能。相对EMD-DE-SG聚类诊断模式，本文算法具备更大分类系数，与1达到了更大的接近程度，大幅降低了平均模糊熵，判断本文算法对于各损伤程度的轴承故障具备更优的诊断性能。根据滚动轴承测试参数可知可以采用此方法快速准确识别轴承各类故障问题及其严重程度，可以实现故障的可靠诊断效果。     

基于二值双谱和模糊聚类的风电轴承故障诊断

针对风电机组滚动轴承振动信号具有强噪声、非高斯、非线性及非平稳的特性,导致滚动轴承故障状态及故障位置难以确定的问题,提出了基于二值双谱和模糊聚类的风力发电机组滚动轴承故障诊断方法。首先,对振动信号进行双谱分析,获得其二值双谱特征;其次,以基于目标函数的模糊聚类方法,构造各类故障的目标模板;最后,按照最邻近准则设计分类器,以目标模板与测试样本之间的距离测度作为模式分类依据,对风电机组滚动轴承的故障位置进行判断。实验结果表明,该方法能有效诊断故障状态及故障位置,其诊断准确性高、稳定性好、计算量小、速度快,且以距离测度为故障判决依据,使诊断结果易于理解和解释、便于检验。     

基于K-means和K近邻的DPF设备故障分类算法

DPF(柴油微粒过滤器)在使用过程中,由于灰分积累、使用不当等原因易造成DPF堵塞等故障,现有的数据采集设备无法直接反映出设备是否发生故障。针对这一问题,提出了一种基于K-means和KNN的DPF故障分类算法。在K-means++选择初始聚类中心的基础上引入了阈值限定D0,以降低同类型样本被选为后续聚类中心的概率。其次,为了保证聚类数目的真实性,采用层次分析法辅助初步确定聚类参数k,并利用轮廓系数和交叉验证来评估模型。KNN模型利用已分类的样本对来自不同厂家的混合测试样本进行预测,实验结果表明,其预测准确率达到了90%以上,基本实现了DPF设备故障属性分类,为后续维护工作提供了可供参考的依据。     

基于类间可分性度量和SVM的多故障分类算法

由于基于支持向量机(Support Vector Mechine,简称SVM)的多类分类算法的分类器结构对故障分类效果有直接影响,首先提出一种在高维特征空间基于核函数的J<,b>*/J<,w>*类间可分性度量准则,然后根据可分性度量结果用min-max原则来构造支持向量机分类器结构.通过对滚动轴承4类故障测试样本的分类试验结果表明,采用该方法构建的分类器其分类效果明显优于任意确定的二叉树结构分类器,有更高的故障识别率.