基于邻域粗糙集和支持向量机的内燃机故障诊断方法

针对内燃机传统诊断方法的弊端,从内燃机故障诊断的实际从发,首先利用邻域粗糙集(NRS)对样本数据进行混淆度分析,然后采用基于PSO参数寻优的支持向量机(SVM)算法对内燃机故障进行分类诊断,构建一种NRS和PSO-SVM相结合的内燃机故障诊断模型.该方法既发挥了邻域粗糙集处理异常样本的能力,又融合了支持向量机优异的分类性能.工程实例应用表明,该模型诊断精度为94.83%,诊断时间为2.001 0E-4 s,是一种快速有效的诊断方法.     

基于支持向量机与粗糙集理论的病例诊断

针对支持向量分类机在病例诊断中,训练样本大、诊断速度慢的不足,根据粗糙集理论的属性约简和支持向量机的分类机理,提出了一种混合分类算法,对病例进行诊断.应用粗糙集理论在不损失有效信息的情况下对属性进行预处理,从决策表中删除冗余的属性和冲突对象,降低支持向量机的维数和分类过程中的复杂度.然后利用支持向量机的分类机原理,对对象进行分类和预测,从而达到对病例进行诊断.实验证明在通过粗糙集对信息约简后,在合理降低准确率的情况下提高了诊断速度,从而解决了支持向量分类机在处理大量病例信息情况下,诊断速度慢的问题.     

基于粗糙集和支持向量机的航空液压泵故障诊断

针对航空液压泵故障样本有限、故障数据同时具有不完备和冗余的特点,分析了液压泵柱塞球头游隙增大故障的原因和特点,对比了故障泵相对于正常泵的频域信号特征,提出了一种基于粗糙集和支持向量机的液压泵故障诊断方法.首先利用粗糙集对故障特征变量进行约简,去除冗余信息,在保证分类质量不变的前提下寻求描述系统故障特征的最小属性集合;然后再将经过粗糙集约简后的数据样本用于训练支持向量机来进行小样本的故障诊断.试验结果表明:采用粗糙集和支持向量机相结合的诊断方法适合于航空液压泵的高精度故障诊断.     

粗糙集-神经网络集成的WSN节点故障诊断

提出一种粗糙集-神经网络集成的无线传感器网络(WSN)节点故障诊断新方法。根据无线传感器网络的应用环境和故障特征得到诊断决策表,利用改进的粗糙集中的归纳属性约简算法对诊断决策表进行属性约简,用Hamming网络建立一套故障分类的方法。仿真实验结果显示,该诊断算法在进行WSN节点故障诊断时,诊断准确性高,通信代价小,能耗低,鲁棒性高。     

粗糙集与支持向量机在肝炎诊断中的应用

提出了一种基于粗糙集与支持向量机(SVM)的肝炎诊断方法.利用粗糙集对原始特征进行约减,得到多个特征子集,然后采用组选择算法进行二次约减,根据约减后的特征子集生成新的数据集,使用SVM对新的数据集进行训练和预测.采用UCI机器学习公共数据集,试验结果与数据分析表明,与SVM、神经网络(NN)、决策树所预测的结果对比,本...     

基于RS和SVM的汽轮机组故障诊断方法

为了提高汽轮机组故障诊断的效率,设计并实现了基于粗糙集和多类支持向量机的融合算法。把粗糙集作为数据的前处理器,对条件属性进行知识约简和去除冗余属性以达到降低数据维数的目的。然后构造多类支持向量机分类器并用约简后的新样本数据训练。测试结果表明,基于粗糙集和支持向量机融合算法的故障诊断方法诊断速度快,推广能力强。     

模拟电路故障诊断的改进分析

针对模拟电路故障诊断识别率较低的问题,文章结合模拟电路智能故障诊断流程的重要环节对特征选择、特征提取和诊断识别进行了改进分析。首先将支持向量机(support vectormachine,SVM)和传统特征选择算法相结合,改进了现有特征选择算法,接着将主成分分析(principle component analysis,PCA)和独立成分分析(independent component analysis,ICA)相结合提出双空间特征提取算法,并将双空间提取算法和融合特权信息支持向量机(SVM of learn-ing using privileged information,LUPI-SVM)算法相结合,提出基于双空间提取算法的融合特权信息支持向量机模拟电路故障诊断方法。最后对改进后方法进行了应用分析,通过对两个典型电路的仿真测试,验证了改进后方法的可行性和有效性,改进后方法提高了模拟电路故障诊断的性能。     

基于混沌粒子群优化支持向量机的变压器故障诊断

为了提高电力变压器故障诊断的准确性,也要克服人工神经网络(ANN)中存在的收敛速度慢、容易陷入局部极值等缺陷,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力,而且适用于支持向量机(SVM)参数优化,提高算法的鲁棒性.首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够准确地分类变压器故障,从而达到故障诊断的目的.实验结果与常规方法比较,该方法能简单有效,诊断速度快,诊断正确率高.     

基于密集连接卷积网络和支持向量机的飞行器机械部件故障诊断

针对旋转机械故障诊断浅层学习方法的高级特征提取问题和实际工程中可利用故障样本数量较少对诊断精度影响大的问题,提出了一种基于密集连接卷积网络(DenseNet)和支持向量机(SVM)的旋转机械故障诊断方法。首先,使用连续小波变换(CWT)将振动信号段转换为时频图像样本;然后,将试验样本输入DenseNet网络模型进行深层特征的提取;最后,将提取到的特征输入SVM模型进行训练,从而实现旋转机械的故障诊断。仿真结果表明:与其他先进模型相比,本文方法得到了更高的诊断准确率,证明了该方法的有效性和可行性。     

基于信息熵和SVM多分类的飞机液压系统故障诊断

飞机液压系统是典型的非线性系统,故障机理复杂,提取故障信息困难,且故障样本较少。针对飞机液压系统部件故障,文章采用了基于信息熵特征权值分配和支持向量机(SVM)多分类的故障诊断方法。先提取飞机液压系统压力信号的统计特征,然后通过计算特征信息熵为特征分配相应权值,将权值较大的特征作为支持向量机的输入向量,最后建立SVM多分类器将正常与多种故障状态进行分类;所采用的方法不仅有效降低了支持向量机模型的计算复杂度,而且提高了分类精度。通过建立飞机起落架收放系统仿真模型,对该故障诊断方法进行了验证研究。仿真结果表明,该方法选用高斯径向基核函数能够有效对液压系统进行故障诊断。     

基于层次化混合分类器的含未知故障风机轴承故障诊断方法

为提高风机轴承故障诊断精度,针对含未知类型故障信号的误识别问题,提出一种风机轴承故障诊断新方法。首先,将风机轴承振动信号进行经验小波变换（EWT）,对分解得到的固有模态分量（IMF）提取15种时-频域特征,构建特征向量集;然后,通过基尼（Gini）指数评价特征分类能力,构建最优特征集合;最后,采用单类支持向量机（OCSVM）与极限学习机（ELM）组合的层次化混合分类器进行故障诊断。对比单纯采用ELM、SVM分类器,新方法能够更好辨识含未知故障类型的风机轴承故障信号。     

基于K-L变换和支持向量机的滚动轴承故障模式的识别

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征,采用K-L变换对其提取状态主特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明,K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径。     

基于支持向量机的提升机制动系统故障诊断

针对提升机制动系统中常见的卡缸故障，利用支持向量机（SVM）这一新的机器学习方法进行智能诊断．在某一闸系统正常时获得2组信号，卡缸时获得6组信号，采用3层小渡包对闸瓦间隙-时间信号进行分解，以各频带的能量为元素构造特征向量，形成故障诊断样本，在Matlab6．5环境下用SVM工具箱进行编程，建立SVM故障分类器并时测试样本进行测试，从而实现提升机制动系统卡缸故障诊断．实验结果表明，在不到0．1S时间内，就建立了SVM故障分类器，该分类器对测试样本的诊断正确率达到了100%；当训练样本由6组减少至4组时，SVM故障分类器仍可以有效地实现对卡缸故障的诊断．因此，SVM方法对于少样本的故障诊断有较强的适应性，非常适合于矿井提升机这种安全运行要求很高，但又不具备大量故障样本的系统．     

基于支持向量机的转子振动故障融合诊断技术

针对某些大型复杂旋转机械振动信号特征提取和故障样本获取难的问题,提出了一种基于小波包特征谱熵支持向量机（SVM）的转子振动故障融合诊断方法.通过转子实验台模拟了转子振动的4种典型故障,并采集其振动故障数据.用小波包对振动故障信号进行分解,提取故障信息含量大的频带并计算出其小波特征谱熵作为故障特征,建立故障诊断模型.通过对故障类别的区分和故障严重程度的判断,验证了该方法在解决转子振动故障信号的特征提取及小样本情况下的故障诊断问题等方面是有效的.     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别.利用模糊域分布可以很好地刻画信号的时频局部化特征，与时-频平面特征提取相比，又可大大降低数据维数.对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果.     

基于EMD-SVM镜像延拓的转子故障诊断研究

利用EMD算法把机械中转子的振动信号进行分解,通过镜像延拓法对EMD算法产生的端部效应进行抑制,得到若干个能够反映转子故障信号内在变化特征及变化规律的固有模态函数分量;对每一个固有模态函数分量建立AR模型,将模型的自回归参数和残差的方差作为故障特征向量,以此建立SVM分类器并进行故障类型识别。结果表明,基于EMD-SVM镜像延拓的方法能够准确快速地得到转子故障的特征和状态,增加了转子故障诊断系统的可靠性和实用性。     

基于支持向量机的MSPC方法及其应用

针对传统多变量统计过程控制（MSPC）方法在故障检测、故障原因分析和故障识别中的难点，提出了多元特征提取方法与基于支持向量机（SVM）的一类分类器设计、特征选择以及多类分类器设计方法相结合的一种完整的MSPC新方法.该方法在故障检测中可去除特征满足特定分布的假设前提，并可确定多个统计量的控制限；在故障原因分析中综合考虑故障对于各个变量大小的影响以及变量变化对于故障分类的重要性，提高了关键变量选择的准确性；并且故障识别是基于SVM对故障特征分类的优良特性，避免了传统判别法中经验准则的引入.上述方法在标准仿真平台Tennessee Eastman过程上结合主元分析（PCA）进行了应用，结果显示了其优越性.     

基于EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于IMF信息熵与SVM的转子振动故障智能诊断方法

提出了基于内禀模态信息熵与支持向量机的转子振动故障诊断方法。采用EMD方法将转子振动信号分解为若干个内禀模态分量,由各个内禀模态分量的信息熵构成转子状态的特征参数。采用支持向量机分类器对故障类型进行分类。通过转子试验台的仿真实例证明了该方法的有效性。另外,在特征提取环节对比采用了传统的Fourier变换法,结果体现了EMD方法在非线性和非稳态信号处理上的优越性。