非线性模拟电路故障诊断的小波领袖多重分形分析方法

针对非线性模拟电路故障的复杂性和非线性,提出一种基于小波领袖多重分形分析和支持向量机的故障诊断方法.首先,采用小波领袖方法对从测试节点采集的信号进行多重分形分析,并将提取的多重分形谱特征构成特征集;然后将特征集输入支持向量机,利用支持向量机的分类功能对电路的模式状态作出决策;最后,视频放大器电路故障诊断实验验证了该方法的有效性.     

单一分形与多重分形轴承故障识别算法的研究

分形维是一种可以量化表征事物非线性特性的参数。本文首先介绍了单分形维数和多重分形维数。然后对采集到的高速轴承正常状态、内环及外环故障时振动信号作小波去噪处理;最后,利用编写的盒维数、关联维数及多重分形去趋势波动法算法,对去噪后的信号进行单一分形与多重分形轴承故障识别分析。结果表明:振动信号具有强多重分形特征,采用多重分形去趋势波动算法能良好识别轴承故障;对比分析可知,单一分形维在描绘非线性特征方面有局限性,多重分形在刻画动力学非线性特征方面具有一定的优点。     

非线性模拟电路故障诊断的MF-DFA方法

针对非线性模拟电路故障的复杂性和非线性,提出一种基于多重分形消除趋势波动分析和支持向量机的故障诊断方法.应用多重分形消除趋势波动分析方法处理信号,提取能够精细表征信号能量分布的奇异状况和几何特征分布概率的多重分形特征;将提取的多重分形特征作为支持向量机的输入样本,利用支持向量机的分类功能对电路工作模式作出故障决策.通过对Duffing混沌电路的模拟仿真实验,证明了该方法的有效性.     

基于小波包分形的瓦斯传感器故障诊断方法

针对瓦斯传感器的故障诊断问题,提出一种基于小波包分形的瓦斯传感器故障诊断方法。使用3层小波包对故障信号进行分解和重构,获得不同频带的重构信号,计算各个重构信号的分形维度,并构成对应的故障特征向量。以此作为输入向量来训练支持向量机（SVM）,完成故障的诊断。实验结果表明：该方法能有效地提取传感器的故障特征,提高了传感器故障诊断的准确率,可有效地应用于瓦斯传感器的故障诊断。     

基于DCT和GA-SVM的轴承故障诊断

针对轴承故障振动信号特点,提出一种基于离散余弦变换(DCT)、遗传算法(GA)和支持向量机(SVM)的轴承故障诊断方法.利用DCT的能量聚集性在广义频域建立原始特征向量集,运用GA以SVM的最低分类错误率为目标函数建立故障特征向量集,使用SVM完成轴承故障诊断.分别对轴承内圈故障、外圈故障、滚动体故障进行故障诊断,结果表明,该方法能够准确诊断轴承故障.     

小波理论和分形理论相结合对高速自动机的故障诊断方法

因为高速自动机的工作环境比较特殊,小波理论和分形理论相结合的故障诊断方法应运而生,力求提高故障状态的分辨率和诊断效率.运用小波理论对其初始特征振动信号进行降噪处理和小波多分辨率分解,小波包分解处理分析故障状态表现的不同特征,进行定性的故障诊断,计算所得信号的分形维数量化故障特征,进行定量的故障诊断,实现故障类型的判别及确定故障的敏感频带.     

基于LCD和改进SVM的轴承故障诊断方法

针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。     

气固流化床压力脉动信号的多重分形分析

针对气固流化床床内气泡非常复杂的非线性运动,提出了利用多重分形来表征气固流化床压力脉动信号的新方法。运用多重分形理论对流化床各种流型进行分析,计算各流型的多重分形谱参数,并分析了流型的变化趋势与多重分形谱之间的关系。计算结果表明,随着风速的增大,多重分形参数（Δa）和流型波动变化趋势均为先增大后减小。因此,多重分形谱可作为监测流化床流型变化的一个特征量。     

基于小波包分形的电力电子故障诊断方法

针对现有电力电子故障诊断的问题,提出了一种基于小波包分形的电力电子故障的诊断方法.首先使用3层小波包对电路输出电压波形进行分解、消噪和重构等预处理,以获得不同频带的重构信号,然后再计算各个重构信号的分形维度,提取出相应的故障特征;最后以此作为输入数据来训练支持向量机,实现电力电子故障的诊断.以三相整流电路为例进行实验,实验结果表明该方法能有效地提取电力电子故障诊断的故障特征,提高故障诊断的准确率,可有效地应用于电力电子系统的故障诊断.     

高速列车转向架振动信号多重分形特征提取与故障诊断

高速列车转向架关键部件故障会引起列车在运行过程中的振动异常,严重时危机运行安全。为了及时发现转向架故障,提出了一种转向架多重分形联合特征的提取方案,用转向架振动信号的多重分形谱宽、分形维数差、多重分形谱熵、广义维数谱距和广义维数谱均值作为联合特征向量,识别转向架不同状态,从而实现转向架故障诊断。实验表明,转向架监测信号的联合特征向量能够准确识别出列车故障状态,识别率高达92％以上。     

基于有理双树复小波和SVM的滚动轴承故诊断方法

滚动轴承故障类型被支持向量机(SVM)智能识别的关键是故障特征的提取。为了提取最优的故障特征,提高SVM的分类识别精度,提出了基于有理双树复小波和SVM的滚动轴承故障诊断方法。首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量,然后对每个分量求能量并作归一化处理,最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型。研究结果表明该方法可以有效、准确地识别轴承的故障模式。     

小波包和GA-SVM在轴承故障诊断中的应用

为了解决傅里叶变换难以兼顾信号在时域和频域中的全貌和局部化特征以及支持向量机惩罚参数c和核函数参数g选取的问题,提出了基于小波包和GA-SVM的轴承故障诊断方法;首先通过实验采集多种工况下故障轴承和正常轴承的振动信号,从振动信号中提取能够表征轴承运行状态的时频域特征以及基于小波包分析的特征向量来作为GA-SVM的输入,然后在SVM的基础上,针对SVM的惩罚参数和核函数参数在不同应用场景下的取值难以确定的特性,采用了遗传算法对支持向量机进行参数优化的GA-SVM算法进行模式识别;实验结果显示,基于小波包和GA-SVM的轴承故障诊断方法比SVM和BP都具有更高的识别精度。     

结合马田系统-SVM的滚动轴承故障模式分类研究

为了有效地确定滚动轴承的故障类型和受损程度,提出了结合马田系统和SVM的滚动轴承故障模式分类方法。利用EEMD方法对原始振动信号进行分解,得到一系列IMF。经过故障敏感IMF选取方法筛选IMF后计算其时域和频域特征参数以及原始信号的能量熵参数,构造初始的多维特征空间。运用马田系统中的正交表和信噪比进行特征降维,得到精简特征空间。接下来使用偏二叉树方法构建支持向量机多分类模型。通过实验数据进行模型验证,结果表明该方法可以实现滚动轴承故障模式分类。     

基于WPA-SVM的多分类故障混合诊断模型

针对目前机械故障诊断中难以进行特征提取和常规SVM算法诊断多类分类问题时存在困难等问题,提出了结合了WPA理论和基于二叉树的多级SVM分类器的WPA-SVM多分类故障混合诊断模型。采用小波包分析对机械信号提取频域能量特征向量,通过训练多个依赖故障优先级的基于二叉树的多级SVM分类器中,找到样本中的支持向量,并以此决定超平面。然后根据最优分类平面,对测试集的样本进行故障诊断。通过对两种不同特征提取方法、三种不同SVM识别策略的实验比较结果可知,该方法是有效的。     

基于双树复小波包和改进SVM的轴承故障诊断

为了提高滚动轴承内圈、滚动体、外圈等故障诊断效率,提出了将双树复小波包和支持向量机（Support Vector Machine,SVM）结合的故障诊断方法。采用双树复小波包对轴承振动信号分解和重构,提取重构信号中的故障能量特征并构造特征样本作为支持向量机诊断模型的输入。针对支持向量机的参数选取没有固定方法而导致故障诊断的准确性降低的问题,采用人工鱼群算法对支持向量机的惩罚系数和核参数进行寻优。用寻优得到的参数建立支持向量机诊断模型对特征样本进行故障诊断。仿真结果表明提出的方法不仅可以提高降噪效果从而得到滚动轴承故障振动的特征信号,而且能实现更高精度的故障诊断。     

基于蝙蝠算法优化相关向量机的轴承故障诊断方法

由于轴承振动信号具有复杂性和非线性,难以有效提取故障特征,影响故障诊断的准确率.为了提高故障诊断准确率,提出一种蝙蝠算法(BA)优化相关向量机(RVM)的轴承故障诊断方法.首先结合变分模态分解和多尺度熵从轴承振动信号中提取出故障特征,作为相关向量机的输入向量;接着采用蝙蝠算法优化相关向量机的核函数参数;然后训练相关向量...     

PCA特征抽取与SVM多类分类在传感器故障诊断中的应用

为了提高传感器故障诊断的准确率,提出了基于主元分析(PCA)特征抽取和支持向量机(SVM)多类分类的故障诊断方法.该方法通过对传感器输出信号进行小波包分解产生原始特征数据,然后采用PCA特征抽取得到二次特征向量,增强传感器各个状态模式的可分性.二次特征输入到二叉树SVM多类分类算法设计的分类器实现传感器故障诊断.仿真实验结果表明,这种结合了PCA特征抽取和SVM分类的诊断方法准确率高,其诊断效果优于直接采用原始特征进行分类的情况.     

Fault diagnostics of roller bearing using kernel based neighborhood score multi-class support vector machine

Roller bearing is one of the most widely used rotary elements in a rotary machine. The roller bearing’s nature of vibration reveals its condition and the features that show the nature are to be extracted through some indirect means. Statistical parameters like kurtosis, standard deviation, maximum value, etc. form a set of features, which are widely used in fault diagnostics. Finding out good features that discriminate the different fault conditions of the bearing is often a problem. Selection of good features is an important phase in pattern recognition and requires detailed domain knowledge. This paper addresses the feature selection process using decision tree and uses kernel based neighborhood score multi-class support vector machine (MSVM) for classification. The vibration signal from a piezoelectric transducer is captured for the following conditions: good bearing, bearing with inner race fault, bearing with outer race fault, and inner and outer race faults. The statistical features are extracted therefrom and classified successfully using MSVM. The results of MSVM are compared with and binary support vector machine (SVM).     

Fault classification method for inverter based on hybrid support vector machines and wavelet analysis

A new classification method for fault waveform is proposed based on discrete orthogonal wavelet transform (DOWT) and hybrid support vector machine (hybrid SVM) for fault type of a three-phase voltage inverter. The waveforms of output voltage obtained from the faulty inverter are decomposed by DOWT into wavelet coefficient matrices, through which we can obtain singular value vectors acted as features of time-series periodic waveforms. And then a multi-classes classification method based on a new Huffman Tree structure is presented to realize 1-v-r SVM strategy. The extracted features are applied to hybrid SVM for determining fault type. Compared to employing the structure based on ordinary binary tree, the superiority of the proposed SVM method is shown in the success of fault diagnosis because the average Loo-correctness of the SVM based on Huffman tree structure exceed the general SVM 3.65%, and the correctness reaches 99.6%.