一种改进的支持向量数据描述故障诊断方法

针对故障诊断中故障类样本难于获取以及不均衡类问题,提出了基于粒子群和滑动窗口的支持向量数据描述（M-SVDD）故障诊断方法.该方法利用粒子群优化支持向量数据描述的核参数,同时引入滑动窗口技术,通过大窗口大小来控制故障诊断模型的训练样本数,根据小窗口的预测误差变化动态调整大窗口的大小.采用该方法对铜转炉吹炼过程进行故障诊断的实验结果表明,该方法能有效抑制过拟合现象,具有故障敏感性高、泛化能力强等特点.     

基于不平衡支持向量数据描述的故障诊断算法

分析无监督和监督故障诊断方法的特点,提出一种能够结合两者优势的不平衡支持向量数据描述(ISVDD)算法。该算法具有无监督故障诊断方法的优势,通过描述正常工况样本的边界分布状况,寻找最能代表正常工况特点的特征。借鉴监督故障诊断方法,引入故障工况样本中蕴含的判别信息,更准确地描述正常工况样本的真实边界。针对故障诊断中常见的类别不平衡情况进行优化,将传统的SVDD中对样本类别分布敏感的经验误差替换为对样本类别分布鲁棒的曲线下面积。数值仿真和工业实例验证了提出算法的有效性。     

基于加权模糊支持向量描述的旋转机械故障分类

基于支持向量数据描述良好的分类性能,针对旋转机械故障诊断中故障样本获取的特点,提出了基于正负类样本的加权模糊支持向量数据描述多类分类器,不仅考虑了正类样本,而且也充分考虑了负类样本对分类结果的影响.利用模拟故障样本对系统进行了实验,结果表明提出的方法在系统中具有良好的分类能力.     

支持向量机的涡扇发动机试车故障诊断

针对涡扇发动机在试车过程中缺少有效诊断气路故障方法的问题,为某型涡扇发动机建立了基于支持向量机的气路故障诊断系统.支持向量机算法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力.该系统建立了发动机非线性稳态模型,生成包含八种典型气路故障的故障样本库,采用支持向量机对故障特征和故障模式进行关联,并用训练好的向量机网络对故障分类.利用该型涡扇发动机试车数据对该系统进行的验证,诊断正确率在80%以上.研究表明该方法能基本满足该涡扇发动机地面试车故障诊断的要求,具有较好的工程应用前景.     

基于支持向量机与粗糙集的隔爆电动机故障诊断

针对煤矿井下隔爆电动机故障数据获取难且故障数据杂乱、非线性等问题,提出了一种基于支持向量机与粗糙集的隔爆电动机故障诊断方法。该方法采用小波包对隔爆电动机定子瞬时功率进行频谱分析,并提取故障特征量;利用粗糙集的约简特性消除故障特征量冗余数据,将约简后的故障特征量作为支持向量机的输入样本,实现隔爆电动机转子故障诊断和分类。仿真结果表明,该方法故障诊断结果准确率达到92.857 1%。     

一种新的超球SVDD增量学习方法

在基于支持向量数据描述(SVDD)的故障诊断中,往往随着故障数据的不断增加而不断地进行再训练以调整诊断模型,浪费了大量时间。为了解决这一问题,提出一种新的SVDD增量学习算法。该方法在深入分析训练结果与数据样本的关系,多次利用KKT条件,对样本进行筛选,最终选择出影响最终结果的少量训练样本。通过实际电路故障提取采集数据并诊断,所得结果表明该算法可以选择出所有影响结果的相关样本,保证了准确率并避免了大量样本训练,节省了时间。     

基于SVDD的轻轨锚固螺杆故障诊断研究

为了实现对重庆市轻轨轨道梁锚固螺杆的故障检测,提出了一种基于支持向量数据描述的锚固螺杆故障诊断方法,该方法只需要正常螺杆样本,且不需要对原始数据进行特征提取,就可以建立单值分类器,解决了缺少故障螺杆样本的难题。通过与常见的三种单值分类方法比较,表明SVDD分类器具有很好的分类效果和计算效率,能较好地区分正常螺杆和非正常螺杆,为轻轨锚固螺杆故障检测提供了新的诊断方法。     

基于支持向量机的矿井通风机故障诊断系统的研究

针对矿井通风机故障诊断过程中样本数据有限的特点,本文提出了一种基于支持向量机的矿井通风机故障诊断方法。支持向量机是一种机器学习方法,它对有限的样本数据具有良好的学习能力。采用支持向量机对样本数据通过学习形成故障分类器,利用该分类器对故障样本进行测试,得出矿井通风机的故障诊断结果。结果表明：支持向量机对有限样本数据具有良好的推广能力,最终达到了快速并准确地诊断矿井通风机故障的目的。     

基于EasyEnsemble的化工过程故障诊断性能改进

化工过程故障诊断中样本数据分布不均衡现象普遍存在.在使用不均衡样本作为训练集建立各类故障诊断分类器时,易出现分类器的识别率偏置于多数类样本的结果,由此产生虽正常状态易识别,但更受关注的故障状态却难以被诊断的现象.针对该问题,本文提出一种基于Easy Ensemble思想的主元分析–支持向量机(Easy Ensemble based principle component analysis–support vector machine,EEPS)故障诊断算法,通过欠采样方法抽取多数类样本子集组建多个新的均衡数据样本集,使用主元分析(principle component analysis,PCA)进行特征提取并使用支持向量机(support vector machine,SVM)算法进行训练,得到多个基于SVM的故障诊断分类器,然后使用Adaboost算法集成最终的分类,从而提高故障诊断准确性.所提方法被用于TE(Tenessee Eastman)化工过程,实验结果表明,EEPS算法能够有效提高分类器在不均衡数据集上的诊断性能和预报能力.