基于改进PSO-SVM算法的油浸式变压器故障诊断

现以油浸式变压器为研究对象,采用支持向量机算法,选择径向基作为核函数,根据参数特点,通过改进粒子群算法对其进行优化,进而对油浸式变压器进行故障诊断。通过仿真实验得出,所提基于改进PSO算法优化的SVM算法,不仅可以避免局部极值问题,而且对小样本数据处理有很好的泛化能力,在解决电力变压器故障诊断问题上有着一定的发展潜力。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断.为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)...     

基于PSO-SVM的重轨标识识别方法研究

重轨标识自动识别对于企业的质量控制至关重要,针对目前主要依靠人工检测法来观察重轨字符的现状,提出利用机器视觉获得图像进行标识识别的思想：在对图像的字符区域进行定位之后,利用基于粒子群算法的支持向量机参数选择方法对重轨标识进行分类。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的分类精度与检测效率,其训练集的字符识别准确率达到了99%,测试集的准确率达到了83%,训练时间为62.195s,各项指标高于遗传算法优化的支持向量机回归模型。能够用于重轨标识的在线检测。     

基于粒子群优化决策树的齿轮箱故障诊断

针对现有支持向量机(support vector machines,简称SVM)在构造多类分类器的过程中存在计算费时、搜索率不高的问题,提出了一种新的SVM决策树设计算法.引入具有优良的全局搜索性能的粒子群算法,将其应用于优化决策树,构造出一种自适应性强、识别率高的多元分类器,实现SVM的有效多值分类.将其结果应用于齿轮箱故障诊断中,试验结果证明改进后的SVM构造方法的有效性和准确性.     

基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。     

FOA-WPT降噪和PSO-SVM在滚动轴承故障诊断中的应用

在轴承故障诊断中,为了进一步提高诊断方法的自适应性和分类准确率,提出果蝇优化小波包降噪和粒子群支持向量机相结合的方法。利用果蝇算法对小波包降噪的阈值进行优化,结合粒子群算法在GCV算法下的错误率最低,得到SVM的最优惩罚参数和核函数参数,建立PSO-SVM分类模型,对4种工况下滚动轴承的10类故障进行分类。实验结果表明,使用FOA-WPT降噪后,信号有着更高的信噪比和更低的均方误差（MSE）;和粒子群支持向量机相结合的分类方法准确率达到89%,与未使用粒子群算法优化的SVM相比,提高了约8%,进一步证明了该方法可以实现滚动轴承的多分类故障诊断。     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于多重分形与SVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳性和非线性,提出一种多重分形和支持向量机相结合的故障诊断方法。运用多重分形理论方法对齿轮振动信号进行分析,通过分析发现多重分形谱和广义维数作为故障特征能够很好地反映齿轮箱的工作状态;对支持向量机的参数利用粒子群优化算法进行优化,并将齿轮箱振动信号的多重分形特征量作为支持向量机的输入参数以识别齿轮的故障类型。实验结果表明,该方法在样本较小的情况下能够准确对齿轮箱的故障类型进行分类。     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于系统模型的齿轮箱故障诊断

用时间序列和神经网络相结合的方法,建立振动信号的时间序列模型,作为齿轮箱系统模型。分析模型特性,提取齿轮箱故障的特征参数,然后以此建立相应的神经网络,识别齿轮箱的运行故障。结果表明该方法能很大地提高诊断的准确性。     

基于振动信号的齿轮箱故障诊断

主齿轮箱是某船重要动力设备,需要对其进行经常性监测。测量了某船1#和2#主齿轮箱的振动加速度信号,比较了两齿轮箱振动信号的时间历程曲线和频谱,发现2#齿轮箱频谱最大幅值约为1#齿轮箱的2.5倍,而且该谱值对应的频率接近于啮合频率。在啮合频率附近对所测信号进行了带通滤波,对滤波后的窄带信号进行了Hilbert变换,得到了该窄带信号的包络。两齿轮箱的包络信号差异明显,1#齿轮箱包络信号的频谱频率成分丰富,而2#齿轮箱包络信号的频谱具有突出的单一频率成分。结果表明2#齿轮箱存在轻微的故障。而油液分析的结果也表明,2#齿轮箱的磨损大于1#齿轮箱,说明了采用的振动分析方法的合理性。     

基于对向传播神经网络的齿轮箱故障诊断的深入研究

介绍了CPN网络的原理、算法,并用CPN网络对齿轮箱机械传动系统的故障进行了诊断.实例结果表明:该方法能够准确地诊断齿轮箱故障,同时具有训练速度快、结构简单、精度高等特点,是一种行之有效的诊断方法.     

基于BP神经网络的齿轮箱故障诊断

对BP神经网络的结构与原理进行了简要概述,将BP神经网络技术运用于齿轮箱的故障诊断中 ,以齿轮振动信号的时域特征作为神经网络输入,齿轮的主要故障形式为网络输出,利用经 BP算法训练后的该网络对齿轮故障进行诊断,取得了较好的效果.     

应用Hilbert-Huang变换的齿轮箱故障诊断

提出了基于经验模态分解(EMD)的齿轮箱故障诊断HHT方法,介绍了Hilbert-Huang变换理论及其算法.此后以1台现场轧机故障减速机为对象,对采集的故障信号进行EMD分解,得到固有模态函数(IMF)分量,然后对所有固有模态函数进行Hilbert变换处理,所得三维图和边际谱图较为清晰地表达了故障信息,说明了该方法在工程应用中的适用性.     

基于时间序列模型的齿轮箱故障诊断

通过监测齿轮箱表面的振动信号,采用时间序列的方法,建立振动信号的时间序列模型作为齿轮箱系统模型。结合实验对齿轮箱信号进行时间序列分析,对比各种工况下的模型曲线,识别齿轮箱的运行故障。结果表明：应用这种方法可以大大提高诊断的准确性。     

蚁群神经网络在齿轮箱故障诊断中的研究与应用

在ACO算法原理及框架的基础之上,将蚁群优化算法引入到神经网络的训练中来,提出了ACO训练神经网络的基本原理和方法步骤,并应用于发动机齿轮箱故障的故障诊断。本文采取经典的“频域”分析方法对齿轮箱进行故障诊断,并建立了基于蚁群神经网络的齿轮箱故障诊断模型。结果表明,用ACO算法训练的神经网络具有较高的故障诊断精度,可以有效地诊断齿轮箱中的故障,提高了诊断的效率和质量。     

基于BP神经网络的钻机齿轮箱故障诊断方法

提出了利用BP神经网络,通过采集样本、训练,最后实现对钻机回转器齿轮箱准确的故障诊断和预判,为实际钻机钻进工作者提供了帮助。     

利用ART1网络进行齿轮箱故障诊断的研究

基于不同故障有不同的幅值图峰值谱线的思想,对齿轮箱正常、断齿和轴承裂纹三种状态进行双谱降噪后的特征参数提取并二值化,并用ARTl网络对三种不同状态进行识别。试验结果表明,这种二值特征参数提取和二值转换是可行、有效的,能够保留各种故障状态的特征信息,ARTI网络能够有效地通过变换后的二值矩阵对三种状态进行识别。     

ELMD熵特征融合与PSO-SVM在齿轮故障诊断中的应用

提出基于ELMD熵特征融合与PSO-SVM的齿轮故障诊断方法。该方法首先对原始信号进行总体局部均值分解(Ensemble local mean decomposition,ELMD),得到若干乘积函数(PF);其次,对ELMD分解得到的前5个PF分量进行求取能量熵和近似熵,并利用KPCA对其进行特征融合;然后,选取部分融合特征作为训练样本,其余作为测试样本;最后,利用PSO优化的支持向量机对融合特征样本进行训练与测试。实验中,将单特征和融合特征分别进行SVM和PSO-SVM识别精度的对比。实验结果证明,所提方法可有效地应用在齿轮故障诊断中。