基于AVMD与SMA-SVM的滚动轴承故障诊断

现实工程中难以获得大量轴承故障样本,因此大多采用支持向量机进行分类,而传统的智能优化算法优化支持向量机,容易陷入局部最优解,寻优时间长,并且需要人为干预。本文提出了一种自适应变分模态分解（adaptive variational modal decomposition,AVMD）与黏菌算法(slime mould algorithm,SMA),对支持向量机（support vector machine,SVM）进行智能优化的故障诊断方法,用更合理的惩罚参数与核参数使构建的SMA-SVM模型对小样本数据进行快速准确分类。该方法首先利用AVMD方法对故障信号进行分解,然后计算各IMF分量的样本熵作为特征向量,最后将特征向量输入到所提出的SMA-SVM模型中进行故障识别。并将其与以往传统的优化算法,如遗传算法、粒子群算法的优化支持向量机等故障诊断方式相比较。结果表明,所提出的故障识别方法准确率高,并且缩短了寻优时间,相较于其他方法展现了其优越性,该方法可有效用于轴承的故障诊断。     

DBN与PSO-SVM的滚动轴承故障诊断

针对如何提高轴承故障诊断的准确率和算法训练的效率问题,提出了一种深度信念网络(DBN)与粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。首先,求出信号的时频特征统计量,其次,利用DBN对时频特征统计量进行特征提取,最后,利用PSO-SVM进行分类。实验结果表明:相比于直接用PSO-SVM进行分类,该方法不仅准确率更高,而且算法训练的时间大大缩短了,提高了滚动轴承故障诊断的准确率和效率。     

磷虾算法优化多分类支持向量机的轴承故障诊断

为了提高滚动轴承故障类型诊断准确度,提出了磷虾算法优化多分类支持向量机的轴承故障诊断方法。对于时频域特征参数的提取,将CEEMD算法与小波包优势结合,提出了CEEMD与小波包半软阈值去噪相结合的提取方法;对于特征参数降维,针对轴承振动信号的非线性特点,使用局部线性嵌入算法降维,对降维后特征参数使用模糊C均值聚类进行验证,可以看出LLE降维不仅降低了计算量而且有利于模式识别;将二叉树法与投票法支持向量机结合,给出了混合多分类支持向量机,使用磷虾算法对其进行参数优化。实验验证可知,磷虾算法优化的多分类支持向量机具有很高的输出精度,轴承状态识别准确率为100%,使用粒子群算法优化的支持向量机输出精度低,轴承状态识别准确率为79%。     

基于ISVD多级降噪和SVM的轴承故障诊断研究

在强噪声背景下难以提取出滚动轴承的故障特征，导致对轴承的故障诊断准确率不高，针对这一问题，提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先，采用小波降噪对滚动轴承的原始信号进行了初始降噪，消除了部分的随机噪声；然后，主要通过改进相空间矩阵重构方式，对该信号进行了改进奇异值分解二次降噪，并提出了新的奇异值有效秩阶次确定方法，利用峭度对一维信号提取方案进行了优化，并对其完成了降噪；最后，通过提取了10个有效特征，结合支持向量机在MATLAB中进行了仿真实验，分析了不同特征对轴承的故障诊断结果的影响，并将方法与其他方法进行了对比分析。研究结果表明：采用多级降噪算法降低了轴承工作状态下的背景噪声，使其故障特征频率更为明显；支持向量机分类诊断器的故障识别准确率达到98.3%,能够有效地识别轴承故障发生的位置和严重程度。     

多尺度近似熵在机械故障诊断中的应用

针对机械故障信号非线性、非平稳性特点,提出了一种基于多尺度近似熵和支持向量机的故障诊断方法,首先利用多尺度近似熵对故障信号进行故障特征提取,然后结合支持向量机对不同的机械振动信号进行分类。结果表明,该方法能有效识别轴承类故障。     

基于MDFF和DCNN-SVM混合网络的滚动轴承故障诊断研究

针对滚动轴承的故障类型比较多，且具有明显的不确定性，采集的单一的信号往往包含各种冗余信息且容易受到噪声信号的干扰，文章提出基于多域特征融合(multi-domain featurefusion,MDFF)和DCNN-SVM的滚动轴承故障诊断研究。通过对多个传感器采集轴承的振动信号，通过时域、频域和完备自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)等方法进行特征提取，利用随机森林算法对敏感特征进行筛选，降低特征维度，将优化后的敏感特征值分别输入到DCNN网络中进行自适应特征提取。利用DCNN网络改变各个敏感特征量的权重值，进行综合训练，获得多域融合特征量，输入到支持向量机中进行故障诊断。通过设置多组对比试验可知，提出的方法的识别准确率达到96.82%，比人工-SVM识别准确率提高19.95%，可以有效实现对滚动轴承故障状态的全面诊断，具有一定的应用价值。     

近似熵与支持向量机在发动机故障识别中的应用研究

针对发动机曲轴轴承极易磨损,导致发动机出现故障的问题,提出了一种基于近似熵与支持向量机相结合的故障诊断方法。发动机在工作过程中,早期故障特征信号微弱。基于此,引入近似熵算法,分别模拟发动机曲轴轴承4种磨损状态,测取各状态下多测点的振动信号样本,计算样本近似熵值,构建了不同状态近似熵故障特征向量。结合支持向量机算法,构造支持向量机故障分类模型,将近似熵特征量带入其中进行训练与测试,测试结果准确率达到97.5%,并与普遍使用的BP神经网络诊断方法进行了对比,结果表明该方法具有更高的诊断识别率,是一种有效且准确率较高的在线诊断方法。     

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于ACO-SVM的火炮供输弹系统机械故障诊断

针对火炮供输弹系统故障信号所提取出的特征参量冗余复杂而导致故障类型不易识别的问题,设计一种基于蚁群优化支持向量机(ACO-SVM)的机械故障诊断方法.对信号进行特征提取得到信息熵,再采用ACO-SVM算法对其进行优化约简和故障诊断,并与支持向量机算法进行对比.结果表明:ACO-SVM算法具有更高的准确率,且准确率高达9...     

钢筋混凝土框架近断层速度脉冲地震响应分析

针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。     

SSAE和IGWO-SVM的滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。     

基于ICEEMDAN与支持向量机的轴承故障诊断方法

针对DF4型机车轮对轴承不同健康状态的辨识问题，提出改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与灰狼寻优算法优化支持向量机(GWO-SVM)结合的故障识别方法。对机车轮对轴承不同故障信号利用ICEEMDAN方法分解为若干模态分量(IMF);根据相关系数准则将IMFs重构出典型的特征信号，并计算不同状态的特征信号在多尺度上的样本熵值，构成多尺度样本熵MSE特征向量；通过灰狼算法对SVM的核参数c和g进行全局寻优，增强SVM模型的分类性能，实现对轴承故障状态的准确识别。采用某局机务段JL-501机车轴承试验台数据验证所提模型的有效性，结果表明：ICEEMDAN-MSE与GWO-SVM结合的机车轮对轴承故障诊断方法能够准确地对轴承健康状态进行识别，准确率达96.86%;与参数自选的SVM模型和CEEMDAN-MSE+GWO-SVM等模型相比，文中所提方法的故障识别率分别提高了23.57%和3.48%。     

双谱分析和支持向量机在转盘轴承故障诊断中的应用

针对转盘轴承故障样本少、信号微弱且不易提取的特点,提出了一种双谱分析和支持向量机相结合的故障诊断方法。首先采用双谱分析提取特征向量,然后利用支持向量机对转盘轴承正常、外圈故障、单个螺栓断裂、多个螺栓断裂4种状态进行分类和识别。结果表明:该方法分类结果的总体准确率为86%,基本有效可行,但精度仍需进一步提高。     

基于EMD信息熵和支持向量机的往复压缩机轴承故障诊断

往复压缩机工况恶劣、结构复杂、易损件多等特点,增加了压缩机故障诊断难度。将EMD信息熵和支持向量机(SVM)技术相结合,应用于压缩机轴承故障诊断。通过EMD对压缩机轴承信号进行分解,计算其信息熵值,并提取出能反映轴承工作状态的信息熵,将其作为特征向量训练SVM网络。结果表明,EMD信息熵和支持向量机相结合的方法,可以准确识别压缩机轴承故障。     

基于灰关联信息熵的SVM决策树轴承故障分类

为提高轴承故障诊断的准确率,以灰色关联理论和信息熵理论为基础,提出了基于灰关联信息熵提取属性特征的支持向量机决策树多故障分类器.该分类器可以实现对轴承的多故障类型的分类,并对轴承的各类故障进行了分类实验.验证结果表明,该方法可有效地进行故障状态识别,达到了准确进行机械系统多故障诊断的目的.     

基于CEEMDAN多尺度熵和SSA-SVM的滚动轴承故障诊断研究

针对支持向量机(SVM)应用在轴承故障分类时,传统的智能算法优化SVM的参数容易存在寻优速度慢、调节参数多,以及容易陷入局部最优值等问题,提出了一种基于CEEMDAN多尺度熵与SSA-SVM相结合的故障诊断方法。对滚动轴承的故障特征提取和SVM参数优化进行了研究,引入了一种新的群智能优化算法,用麻雀搜索算法(SSA)对SVM参数进行了优化,提高了寻优速度以及轴承的故障分类准确率;该方法先采用自适应白噪声完整经验模态分解(CEEMDAN)算法分解信号,获得了若干个固有模态函数(IMF);再采用相关系数方法选择有用IMF分量,并进行了重新组合;最后,计算重构信号的多尺度熵作为特征向量,输入SSA优化的SVM进行了故障分类。研究结果表明:采用该方法能够准确地获得故障信息,且识别准确率高;与PSO、GA优化的SVM相比,该方法的故障诊断分类性能更好。     

仿听觉频率分解特性的轴承振动信号处理方法

模拟人耳的听觉特性及机理,结合轴承故障信号特征,提出一种基于Fisher比率法的自适应非均匀频带分布的倒谱系数轴承故障特征提取算法,并根据提取的特征利用支持向量机模型进行故障识别,试验证明提出的故障特征提取算法具有较高的识别正确率,在低信噪比下仍然具有较好的识别效果。     

基于EMD近似熵和LS-SVM的机械故障智能诊断

故障特征提取的精确性和分类识别的高效率是提高故障诊断准确率和速度的关键,针对此问题,提出一种基于经验模式分解(empirical mode decomposition,EMD)近似熵和最小二乘支持向量机(least square support vector machine,LS-SVM)的机械故障诊断新方法.利用EMD良好的局域化特性和近似熵表征信号复杂性规律来量化故障特征,再与LS-SVM相结合进行故障类型识别.首先,对故障振动信号进行EMD 分解,得到若干个反映故障信息的本征模函数(intrinsic mode function,IMF);其次,选取前4个IMF的近似熵值作为信号的特征向量;最后将构造的特征向量输入到LS-SVM分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,与传统的BP(back propagation)络相比,具有训练样本少、训练时间短、识别率高等优点.     

基于独立分量分析和相关向量机的轴承故障诊断研究

提出了将独立分量分析(ICA)与相关向量机(RVM)两者结合进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对轴承振动测试信号进行预处理,以使其能较好地满足ICA的前提条件,再应用独立分量快速算法(Fast ICA)分离轴承状态信号并提取特征向量,然后,应用相关向量机做为故障分类器实现轴承故障状态识别。对6206普通球轴承在正常状态和内圈、外圈、滚动体故障状态所进行的故障诊断实验表明,该方法能够准确、有效地对滚动轴承故障进行识别。     

基于改进的集合经验模态分解的电动机滚动轴承故障诊断研究

针对电动机轴承早期故障信号非线性非平稳性特征,造成故障信号特征提取和故障诊断困难,提出一种改进的基于添加自适应白噪声的完备集合经验模态分解与支持向量机结合的电动机轴承故障诊断方法。将美国凯斯西储大学测得的电动机轴承正常运行、滚动针体故障、外圈故障、内圈故障共4种信号分别用CEEMDAN和EEMD进行分解,得到多个模式分量,再将IMF能量法计算得到的特征向量引入支持向量机,进行电动机轴承故障识别。试验对比研究表明,该方法能更有效进行电动机轴承早期故障识别。