基于自适应冗余矩阵分类器的滚动轴承故障诊断方法

采用传统矩阵分类器(即支持矩阵机SMM)进行滚动轴承故障诊断时存在一定的局限性,即在进行冗余特征分类时难以提取有效特征进行建模,为此,提出了一种基于自适应冗余矩阵分类器(ARMC)的滚动轴承故障诊断方法。首先,在构造ARMC模型的过程中,通过核函数创建了高维分布空间,解决了样本数据线性不可分的问题;然后,采用约束L₁范数的思想,使得样本到所有聚类凸包边界的距离最短,进而将其转化为求解线性规划的问题,降低了模型计算的复杂度;通过正则化约束来控制低秩项,进而弱化冗余特征和噪声成分对模型的影响,得到了更加准确的预测模型;最后,为了验证ARMC方法的有效性,采用美国凯斯西储大学(CWRU)的滚动轴承实验数据和自制滚动轴承故障模拟实验台数据,分别进行了实验;并且将采用该方法所获得的结果与其他方法获得的结果进行了对比。研究结果表明：ARMC利用L₁范数和核函数来构造和求解目标函数,不仅可以保护待诊断对象的结构化信息,而且可以弱化模型复杂度和增强模型的鲁棒性;与支持矩阵机(SMM)和鲁棒支持矩阵机等相比,ARMC能够充分考虑样本冗余信息弱化的问题,平均识别...     

基于支持向量机的不平衡数据集分类方法研究

研究表明支持向量机分类方法在样本集分布不均衡情况下,对少类样本分类准确率急剧下降.针对该问题,本文提出了一种基于模糊样本集修剪技术和指导型欠采样技术的支持向量机分类算法,并对算法中新引入的参数进行了深入讨论.算法分析和仿真结果表明,文中提出的方法在不增加计算复杂度的前提下,有效地提高了算法整体分类准确率.     

基于小球大间隔方法的机械故障检测

针对机械故障检测中,正常样本多、故障样本少、训练样本严重不平衡的客观情况,将小球大间隔方法引入其中,提出了一种不平衡样本下的机械故障检测方法。该方法同时使用大量的正常样本和少量的故障样本进行训练,在特征空间中构造一个包围正常样本的超球,在该超球体积最小化的同时,进一步使超球边界与故障样本之间的间隔最大化,从而显著减小将故障情况误判为正常情况的概率。将该方法应用到滚动轴承故障检测中,并与传统的支持向量机和支持向量数据描述方法进行了比较,实验结果表明,该方法在解决不平衡样本下机械故障检测问题具有优越性。     

基于小波包分解和支持向量机的机械故障诊断方法

提出应用小波包分解和支持向量机进行机械故障诊断的方法。该方法将振动信号小波包分解后的频带能量作为特征向量,输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。试验结果表明,与神经网络相比,采用支持向量机进行故障诊断可以获得更高的诊断精度,表明该方法是有效的、可行的。     

基于精细化改进多尺度快速样本熵的旋转机械故障诊断方法研究

为了解决现有多尺度样本熵(Multiscale Sample Entropy, MSE)方法提取复杂序列特征时存在的计算效率低及幅值信息缺失等问题,提出精细化改进多尺度快速样本熵(Refined Improved Multiscale Fast Sample Entropy, RIMFSE)方法。首先使用快速样本熵代替传统样本熵,通过改进重构向量匹配机制大幅降低了计算成本,而后使用改进的多尺度拓展方法代替传统的粗粒化方法,避免了幅值信息的丢失。在此基础上,结合最大相关最小冗余(Max-relevance and Min-redundancy, mRMR)方法及支持向量机(Support Vector Machine, SVM)分类器提出一种新的旋转机械故障诊断方法。使用齿轮箱和轴承两个故障数据集对提出方法的性能进行验证,同时将提出的方法与MSE,复合MSE(Composite Multiscale Sample Entropy, CMSE)及精细化复合MSE(Refined Composite Multiscale Sample Entropy, RCMSE)等现有方法进行对比。结果表...     

基于支持向量机的多故障分类器及应用

针对因缺少大量故障数据样本而制约机械故障智能诊断的问题 ,本文改进了支持向量机多故障分类算法 ,依据此算法建立了多故障分类器 ,并应用于汽轮发电机组的故障诊断。应用结果表明 ,不必进行信号预处理以提取特征量 ,只需要用少量的时域故障数据样本建立故障分类器。该故障分类器可实现多故障的识别和诊断 ,并且具有算法简单、可对故障在线分类和故障分类能力强的优点     

基于支持向量机和人工免疫的机械故障诊断方法研究

利用支持向量机对故障数据进行分类和聚类预处理,然后以类别的中心作为人工免疫系统的疫苗,人工免疫系统把它们作为抗体进行免疫学习,获得机械系统的故障特征,并为人工免疫系统提供先验知识,建立故障状态空间至解释空间的映射.用该算法对转子实验台仿真故障进行分类比较,结果表明该算法学习速度快,诊断效果好.     

样本不平衡下基于自定步调集成的液压系统智能诊断方法

在液压系统智能诊断中,样本不平衡将使得智能诊断模型容易学习到样本充裕的液压系统健康状态的诊断规则,忽略样本匮乏的健康状态诊断规则,致使模型诊断精度下降。针对上述问题,提出基于自定步调集成的液压系统智能诊断方法。该方法首先将多数类样本集根据不同的硬度等级分为k个容器;然后通过欠采样平衡每个容器对分类硬度的贡献,使重采样后每个容器中的样本硬度总和一致;在训练过程中不断更新自步因子,用来降低样本数量过多的容器采样权重,经过n次迭代形成最终的集成诊断模型。将提出方法应用于液压系统不同故障数据集进行智能诊断,结果表明,该方法能够提高样本不平衡情况下液压系统故障识别的准确率,且诊断结果优于传统的智能故障诊断方法。     

多分类SVM的代价敏感加权故障诊断方法

为了在支持向量机(support vector machine,简称SVM)中合理引入代价敏感机制来降低故障误诊断的代价,提出一种多分类SVM的代价敏感加权故障诊断方法。该方法通过对多分类SVM的硬判决得票矩阵进行代价敏感加权,将故障误诊断的代价作为权重融入SVM的硬判决,并分析硬判决的得票数和得票权重,从而构造出各故障的概率分配,最终实现多分类故障的SVM代价敏感加权诊断及概率输出。实验结果表明,多分类SVM代价敏感加权处理的诊断结果更趋向于高代价故障,所提方法能够有效降低故障误诊断的代价。     

基于二叉树的支持向量机旋转机械故障诊断方法

支持向量机理论最初是针对两类模式识别问题而提出的.在故障诊断领域,多类故障诊断问题更为普遍.针对支持向量机常用的多类分类算法进行了分析,在此基础上提出了一种基于聚类思想的二叉树多类分类算法,并运用该算法对转子模拟试验台几种典型的故障进行了模式识别,实验结果表明新方法能有效地、准确地识别故障模式,比较符合实际工程要求,具有较高的推广性能.     

利用频谱分析仪诊断不平衡故障

我厂２＃增压机自运行以来振动一直较大。机组相关参数、测试仪器、设备简图及测点分布如下。１．机组参数风机型号：D２５０－１３,转速：８７９６r／min;电机型号：JK８００－２,额定功率：８００kW,转速：２９７５r／min。２．测试仪器采用HY－１０６巡检仪,仪表显示值为均方根值。３．设备简图及测点分布（见图１）４．测试数据（见表１）从表１可以看到七个点的水平方向振动值均已超过警告值,且明显高于垂向和轴向,图２、３、４为测点１、２、３的水平方向幅值谱图,可见最大峰值主要在１倍频（４９Hz）处。初步判定为：位,…     

多分类器集成加权均衡分布适配的滚动轴承寿命阶段识别

针对不同工况下样本有限不平衡造成滚动轴承寿命阶段识别中少数类样本无法被有效识别的问题,提出了多分类器集成加权均衡分布适配的滚动轴承寿命阶段识别方法。首先,采用随机抽样的方式获得源域多样本训练集,为目标域预测伪标签的同时赋予样本不同的初始权重,充分训练少数类样本;然后,在再生核希尔伯特空间训练各源域样本集的分类器,并通过迭代的方式优化伪标签、更新权重矩阵;最后,通过多分类器集成策略将合适的基分类器集成为强分类器,以获得最终识别结果。结合F-score评价标准,使用宏平均与微平均评价指标对多分类任务进行评价避免了准确率对识别结果的误导。在两组滚动轴承寿命阶段数据集上进行实验验证,证明了所提方法的可行性和有效性。     

基于局部平衡判别投影的旋转机械故障诊断方法

针对旋转机械故障数据的多类别、高维复杂特性导致的分类困难问题,提出一种基于局部平衡判别投影(LBDP)的故障数据集降维方法.从时域、频域和时频域多个角度提取转子振动信号的混合特征,构建原始高维故障特征集;通过LBDP选择出其中最能反映故障本质的敏感特征子集;将得到的低维特征子集输入到K近邻分类器(KNN)中进行故障模式...     

基于遗传算法的不均衡样本在支持向量机中的研究

不均衡样本在实际应用中广泛存在,已对学习领域造成挑战,如何处理不均衡样本情况也已经成为目前的热点。针对不均衡样本的问题提出将遗传算法应用于支持向量机中。利用遗传算法中的交叉、变异来进行样本的遗传,从而产生新的群体,即样本。     

样本不均衡时轴承故障的非平衡卷积网络诊断

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。     

代价敏感卷积神经网络：一种机械故障数据不平衡分类方法

机械设备实际工作过程中正常样本丰富、故障样本匮乏,卷积神经网络在处理这种分布不平衡的数据时对少数类的识别率很低。为解决上述问题,提出一种代价敏感卷积神经网络,首先经过多层卷积和池化运算学习原始监测数据中的机械设备本征性能状态知识;其次通过全连接层将本征性能状态知识映射为机械设备健康状态;最后利用代价敏感损失函数为少数类样本赋予较大的误分类代价,实现对不平衡的机械故障数据的有效分类。为验证所提方法的有效性,使用具有不同不平衡比的刀具数据集和轴承数据集,利用代价敏感卷积神经网络以及主流的分类算法分别测试其对于不平衡数据的分类性能。实验结果表明,所提方法对不平衡数据集中的少数类样本识别率相对于传统卷积神经网络提升了22%以上。     

基于矢模糊函数的旋转机械故障诊断方法的研究

结合全矢谱技术与模糊函数,提出了一种矢模糊函数的新概念。定义的矢模糊函数继承了全矢谱技术与模糊函数各自的优点,既能全面地反应机械振动的全面性,又能很好地抑制Wigner分布中的交叉项干扰。阐述了矢模糊函数的定义、算法及其特点,并把矢模糊函数成功地应用到旋转机械故障诊断中。为了对比分析,还通过类似的方法定义了矢Wigner分布。仿真和实验结果表明,提出的矢模糊函数在旋转机械故障诊断中是非常有效的,矢模糊函数优于矢Wigner分布。     

基于矢模糊函数的旋转机械故障诊断方法的研究

结合全矢谱技术与模糊函数,提出了一种矢模糊函数的新概念.定义的矢模糊函数继承了全矢谱技术与模糊函数各自的优点,既能全面地反应机械振动的全面性,又能很好地抑制Wigner分布中的交叉项干扰.阐述了矢模糊函数的定义、算法及其特点,并把矢模糊函数成功地应用到旋转机械故障诊断中.为了对比分析,还通过类似的方法定义了矢Wigner分布.仿真和实验结果表明,提出的矢模糊函数在旋转机械故障诊断中是非常有效的,矢模糊函数优于矢Wigner分布.     

一种支持向量分类器集成的方法

针对支持向量机的分类精度受数据表达形式以及个体分类器模型选择因素影响较大,提出一种新的支持向量机集成算法来克服这个缺陷.首先利用PCA对原始数据进行处理,通过寻求原始数据的更好表达形式,以降低高维特征空间的维数;然后利用模糊积分进行多个子分类器决策融合,兼顾各子分类器的分类结果和各子分类器判决对最终决策的重要程度.仿真...