基于多重分形和PSO-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非线性和非平稳性,提出一种多重分形和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用短时分维作为模糊控制参数的分形滤波器对背景噪声较大的齿轮箱振动信号进行滤波降噪;其次引入多重分形谱算法对滤波后信号进行分析,发现多重分形特征量Δa(q)、f(a(q))max、盒子维数Db能很好地反映齿轮箱工作状态;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将多重分形特征量分别作为SVM和PSOSVM的输入参数以识别齿轮箱故障。结果表明,基于粒子群优化的支持向量机可以提高分类正确率。同时证明了基于多重分形和PSO-SVM在齿轮箱故障诊断中的有效性。     

基于信息熵和GA-SVM的自动机故障诊断

提出了一种运用信息熵和遗传算法优化的支持向量机(GA-SVM)对小口径火炮自动机进行故障诊断的方法。针对自动机工作时的短时冲击信号特征,首先运用具有自适应特性的局域波对信号进行分解得到IMF分量,并对各IMF分量进行Hilbert变换。接着利用信息熵理论提取局域波特征空间谱熵、边际谱熵和时频熵作为故障特征。最后将特征向量输入遗传算法优化的支持向量机进行故障分类识别。利用遗传算法的全局搜索能力对支持向量机的参数进行优化,摆脱了对求解模型的依赖。结果表明,相对于空间穷尽搜索寻找最优参数的支持向量机模型可提高诊断正确率。同时证明将信息熵和GA-SVM方法相结合在自动机故障诊断中的有效性。     

基于VMD和PSO-SVM的汽车传动轴系故障诊断

针对传动轴系振动信号故障特征难以提取的问题和进行故障诊断时难以获得大量故障样本的实际情况,提出了一种基于VMD和PSO-SVM相结合的传动轴系故障诊断方法。首先,将传动轴系振动信号进行VMD分解,得到本征模态函数IMF;然后,计算IMF的能量值和对应的能量熵值;最后,用粒子群优化(PSO)优化支持向量机(SVM)的参数,并将归一化处理后IMF的能量值及能量熵值作为特征向量,输入到PSO-SVM中来判断传动轴系的工作状态和故障类型。实验结果表明,该方法故障诊断准确率达到94. 44%,可以准确、有效地对传动轴系进行故障诊断。     

应用HHT时频分析与SVM的自动机故障诊断

提出了一种运用希尔伯特-黄(HHT)时频多尺度熵和支持向量机(SVM)对某导气式自动机进行故障诊断的方法。通过对其故障机理分析,找到易发生故障的位置;根据理论分析的结果设置了三种故障,采集了自动机的各工况振动信号。针对自动机工作时的短时冲击信号特征,运用聚合经验模态分解(EEMD)对自动机故障信号进行预处理,再通过Hilbert变换,计算信号的时频多尺度熵,作为自动机故障诊断的特征量。最后将特征向量输入支持向量机进行故障分类识别,证明了将HHT时频多尺度熵和SVM相结合在自动机故障诊断中的有效性。     

基于优选小波包和PSO-SVM的失火故障诊断

小波包变换在柴油机故障特征提取中应用广泛,其中,小波包基函数的选取对特征提取性能的影响至关重要。基于此提出了1种优选小波包和粒子群优化支持向量机(PSO-SVM)的失火诊断方法。首先,选择5种不同类型的离散小波包基函数分别对缸盖振动信号进行小波包多层分解;然后,计算缸盖振动信号的小波包能量与信息熵的比值,从中选择比值最大的小波包基函数作为最优的小波包基函数;进一步,采用最优小波包基函数分解缸盖振动信号并提取小波包频带能量概率密度作为特征向量,以及构造故障诊断特征集;最终,将故障诊断特征集输送到粒子群优化支持向量机中进行柴油机失火诊断识别。实验结果表明,利用最优小波包基函数提取特征具有良好的效果,同时PSO-SVM的识别准确率达到97.5%,说明了优选小波包和PSO-SVM的诊断方法是可行且有效的。     

基于ITD与PSO-SVM的供输弹系统故障诊断

针对采集的供输弹系统测试信号成分复杂,故障难以识别问题,提出一种基于固有时间尺度分解(ITD)与粒子群优化支持向量机(PSO-SVM)的供输弹系统故障诊断方法。首先在时域内使用ITD方法对信号进行分解,对分解产生的分量进行相关系数计算,然后选取与原始信号相关系数大的前5层分量进一步验证在频域内ITD方法的有效性,在频域内提取前5层分量的样本熵值,最后将提取的样本熵值用PSO-SVM对供输弹系统故障进行故障诊断,并与支持向量机(SVM)的诊断结果进行对比,结果表明:PSO-SVM相对于SVM可以提高故障诊断的正确率,正确率高达92.31%。     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

奇异值熵和支持向量机的齿轮故障诊断

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵和支持向量机的齿轮故障诊断方法.首先,通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模式分量,将得到的若干个本征模式分量自动形成初始特征向量矩阵;然后,对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并对其进行归一化,求得奇异值熵,根据奇异值熵值大小可以判断齿轮的故障类型;最后,将奇异值故障特征向量作为支持向量机的输入,判断齿轮的工作状态和故障类型.试验结果表明,即使在小样本情况下,基于EEMD奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

基于K-L散度与PSO-SVM的齿轮故障诊断

针对表征齿轮故障信号特征难提取及支持向量机结构参数基于经验选取,致使故障状态识别精度差的问题,提出了一种基于K-L散度与PSO-SVM的齿轮故障诊断方法。首先,用经验模式分解(EMD)将齿轮振动信号筛分为多个本征模式分量(IMF);然后,选取包含有信号主要特征的IMF并求其与无故障原信号的K-L散度值;其次,利用粒子群算法(PSO)优化支持向量机(SVM)的惩罚系数和高斯核宽度系数两个结构参数,在此基础上建立齿轮故障分类模型;并利用实验齿轮数据验证方法的有效性,结果表明,与TF-SVM、TF-PSO-SVM、K-L-SVM方法相比,基于K-L散度与PSOSVM的齿轮故障诊断方法具有更高的精度。     

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％.     

基于改进半监督LTSA与BA-SVM的滚动轴承故障诊断

为有效利用振动信号进行故障诊断,提出了一种基于复合多尺度排列熵(CMPE)、改进距离度量公式的半监督局部切空间排列算法(SS-LTSA)与蝙蝠算法优化支持向量机(BA-SVM)的滚动轴承故障诊断新方法。首先,计算振动信号的CMPE值,构成原始高维特征集;然后,利用改进距离度量公式的SS-LTSA进行降维;最后,将降维后的低维特征集输入BA-SVM完成故障的分类。2类轴承试验分析结果表明:SS-LTSA的降维效果优于主成分分析算法(PCA)和LTSA;BA-SVM的故障识别率明显高于遗传算法优化支持向量机(GA-SVM)和粒子群优化支持向量机(PSO-SVM),SS-LTSA与BA-SVM相结合可以获取更高的识别精度。     

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。     

基于排列熵和SVM的自动机故障诊断

针对自动机运作时的瞬态冲击、非线性、非平稳信号特征,提出一种基于排列熵和支持向量机对小口径高速自动机进行故障诊断的方法。首先,引入排列熵对信号进行分析,发现排列熵能很好地反映自动机工作状态;其次,将排列熵特征量分别作为概率神经网络PNN和SVM的输入参数以识别自动机故障,结果表明:SVM相比于PNN可以提高分类正确率。同时证明基于排列熵和SVM在自动机故障诊断中的有效性。     

局域波信息熵在高速自动机故障诊断中的应用

针对自动机工作时的短时冲击信号特征,首先,对其运动形态进行分解,截取与故障构件动作相对应的振动信号进行分析;其次,利用多层小波包分解截取信号,对其频率成分及能量分布进行研究;然后,将小波包分解后频带能量大的信号重构进行局域波分解,同时提取局域波奇异谱熵、边际谱熵和特征空间谱熵定量描述信号状态的时域、频域和能量的变化,并将其作为故障特征量;最后,利用遗传算法的全局寻优能力对支持向量机的参数进行优化,建立了遗传支持向量机(genetic algorithms-support vector machine,简称GA-SVM)模型,将提取的特征量输入其中进行故障分类识别,并将识别结果与空间穷尽搜索支持向量机(support vector machine,简称SVM)的识别结果进行对比。     

信息熵融合的PSO‑SVC涡旋压缩机故障诊断

针对涡旋压缩机振动信号的不稳定性及难以获取大量故障样本的问题,提出了一种信息熵融合与粒子群优化（particle swarm optimization,简称PSO）的支持向量回归（support vector classification,简称SVC ）涡旋压缩机故障诊断方法。通过奇异谱熵和功率谱熵分析,分别提取振动信号时域与频域特征,采用变分模态分解（variational mode decomposition,简称VMD ）能量熵衡量故障振动信号时?频域特征,利用因子分析融合奇异谱熵、功率谱熵和能量熵值得到单一评价指标特征向量。将评价指标作为PSO-SVC模型的输入,通过训练建立PSO-SVC涡旋压缩机故障分类模型。实验结果表明,该方法在小样本情况下,仍能有效地对涡旋压缩机4种典型故障类型进行分类,准确率达到94.5%。     

基于第二代小波及PNN的自动机智能故障诊断

提出了一种运用第二代小波信息熵和概率神经网络(PNN)相结合对自动机进行故障诊断的方法。针对自动机运动循环过程和振动信号的非线性短时冲击特性,提出了截取振动信号中有用信息进行第二代小波分析,在此基础上提取第二代小波熵,把其作为特征向量分别应用BP神经网络和概率神经网络对自动机进行故障模式识别。结果表明:概率神经网络相对于BP神经网络可以提高故障分类的正确率,从而验证了基于第二代小波信息熵及PNN在自动机故障诊断中的有效性。     

基于MED-SVM的齿轮箱故障诊断方法

为了解决齿轮箱的故障诊断问题,提出了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)和支持向量机(Support Vector Machine,SVM)的齿轮箱故障诊断方法。该方法首先对齿轮箱振动加速度信号进行MED降噪处理,对降噪后的信号在幅域、频域和能量域进行特征参量提取,建立特征向量,以此作为输入建立多分类支持向量机,通过交叉验证方法优化模型参数,判断齿轮箱的故障类型。实测齿轮箱振动信号的故障诊断结果表明,该方法能有效识别多种齿轮和轴承的故障类型,优化模型参,数有助于提高故障识别准确率。     

集合经验模式分解能量分布与支持向量机的故障诊断模型

提出一种集合经验模式分解(Ensemble empirical mode decomposition,EEMD)和支持向量机(Support Vector Machine,SVM)的故障诊断模型。采集机电系统的振动信号,进行小波降噪处理后,对其进行集合经验模式分解,得到若干具有物理意义的本征模态函数(Intrinsic mode function,IMF)并计算其能量分布。以能量分布构造特征矢量,采用遗传算法对SVM参数进行寻优,建立径向基核函数支持向量机模型进行多类故障分类。将该方法应用于转子实验台的故障诊断研究中,实验结果表明,该方法能够有效地运用于机电系统的故障诊断中。