基于DEMD和模糊熵的滚动轴承故障诊断方法研究

提出一种基于微分的经验模式分解(DEMD)模糊熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。首先对信号进行基于微分的经验模式分解,得到若干具有物理意义的本征模函数(IMF)分量,再利用相关度准则对固有模式分量进行筛选,计算所选分量的模糊熵,组成故障特征向量,然后将其作为支持向量机的输入来识别滚动轴承的状态。并将该方法与基于EMD模糊熵和SVM相结合的方法进行比较,实验结果表明该方法对机械故障信号能够更有效准确地进行识别分类。     

基于延拓和窗函数的HHT端点效应改进方法

为了克服Hilbert-Huang变换中的端点效应问题,提出了一种基于延拓和窗函数综合应用的端点效应改进方法。通过先对信号进行相似极值延拓再进行加余弦窗函数的处理,解决了延拓部分不精确和加窗函数后使原信号发生改变的问题,在一定程度上克服了EMD方法的端点效应问题,得到更准确IMF的同时也可以通过Hilbert变换得到更准确的边界谱和Hilbert谱。通过用于仿真信号和裂纹转子故障信号的分析证明该方法有良好效果。     

基于EMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了基于经验模态分解（empirical mode decomposition,EMD)和支持向量机的齿轮故障诊断方法。首先通过EMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(intrinsic mode function, IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可以通过计算不同振动信号的EMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机（support vector machine,SVM）,判断齿轮的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于齿轮的故障诊断。     

基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究

为了有效地从非线性、非平稳性的风电齿轮箱故障信号中提取有用的信息成分,将微分经验模式分解、局部时频熵和支持向量机相结合,提出了一种微分经验模式分解局部时频熵和支持向量机的风电齿轮箱故障诊断方法。采用自适应多尺度的数学形态学对故障信号进行滤波;将滤波后的信号进行微分经验模式分解,获得齿轮振动信号的若干IMF分量;把每一个IMF进行分块,计算每一块的局部时频熵值;把局部时频熵值作为支持向量机的输入参数,通过支持向量机进行故障识别与诊断。实验结果表明,基于微分经验模式分解局部时频熵和支持向量机相结合的方法能够对风电齿轮箱故障信号进行准确有效地识别分类。     

基于支持向量机的模拟电路软故障诊断

提出了基于支持向量机的模拟电路软故障诊断新方法.该方法提取电路的频域响应为故障特征,利用支持向量机对故障进行识别分类.支持向量机具有结构简单、泛化能力强的特点,对小样本分类具有良好的识别效果.以Sallen-Key滤波电路为诊断例,实验结果表明该方法故障诊断准确率大于99%.     

基于BLCS-AME的爆破地震波信号EMD端点效应抑制研究

针对爆破地震波信号经验模态分解(Empirical Mode Decomposition, EMD)固有的端点效应问题,提出了一种基于边界局部特征尺度自适应匹配延拓(Boundary Local Characteristic Scale and Adaptive Matching Extension, BLCS-AME)的EMD端点效应抑制方法。该方法将原始信号全局时间参数之间的内在联系和信号在端点处幅值参数的局部变化趋势进行联合考虑,得到了延拓后的边界局部特征尺度(BLCS),再以BLCS为研究对象,在原始信号中找到与BLCS匹配度最高的一组时间序列,最后将该时间序列平移到端点处进行EMD,即可实现基于BLCS-AME的EMD端点效应抑制处理。通过多种方法仿真信号EMD端点效应抑制的对比分析,可得出结论：与常规端点效应抑制方法相比,BLCS-AME方法对EMD端点效应具有更好的抑制能力,能够得到精度更高的固有模态函数(Intrinsic Mode Function, IMF),研究结果更能反映信号的内在属性。最后将该方法用于实际爆破地震波信号EMD中,进一步验证该方法能够有效抑制爆破...     

一种基于GEP的EMD端点效应抑制方法

针对经验模态分解(EMD)在分解信号时存在的端点效应问题,为抑制端点效应对信号分析带来的影响,进一步提高EMD分解准确度,提出基于基因表达式编程(GEP)的EMD改进算法。通过仿真实验与镜像延拓等其他3种常用端点效应抑制方法作对比,并计算评价端点效应的两个指标,最后,通过这4种方法分别测量出原始信号的瞬时频率以作验证。仿真结果表明:基于GEP的EMD改进算法在分解信号后各分量两端发散程度最小,评价指标也均优于其他3种传统的改进方法,且更加准确地测量出原始信号的瞬时频率。证明该改进算法能更有效地抑制EMD端点效应,具有更高的应用价值。     

基于商空间和支持向量机的滚动轴承故障智能诊断

针对滚动轴承故障诊断中存在的故障类型多样且有效特征难以选取等问题,提出了一种基于商空间和支持向量机的智能诊断模型。该模型利用商空间的粒化分层思想将输入样本按照不同等价关系进行粒化分层,并对每一粒度层的时域和频域特征进行约简,然后将每一层约简后的特征向量输入到支持向量机进行状态识别,最后对各粒度层状态识别结果加权融合得到最终结果。利用轴承全寿命试验数据对该模型进行验证,识别精度达到96.92%。     

基于VMD能量熵与优化支持向量机的轴承故障诊断

滚动轴承早期故障信号比较微弱,且受噪声与振动耦合影响,导致其故障判别失准.基于变分模态分解算法(VMD)与能量熵结合构建多模态特征矩阵,以灰狼算法(GWO)优化支持向量机(SVM)参数,提出VMD-Entropy-OSVM轴承智能故障诊断,采用轴承实验数据验证所提方法的有效性与优越性.实验结果表明:VMD-Entrop...     

爆破地震波信号EMD端点效应抑制研究

针对爆破地震波信号经验模态分解(EMD)得到的IMF在端点处的发散现象,提出一种同时考虑信号端点发展趋势和全局时间-能量联合参数的改进EMD端点效应抑制算法。该算法首先考虑端点变化趋势得到延拓后的边界局部特征尺度X₀,再计算X₀的能量E₀,找到原始信号中和E₀最匹配的分段信号X_k,最后用X_k代替X₀进行EMD。通过建立仿真信号,验证该算法和常规端点效应抑制算法相比,对EMD端点效应具有更好的抑制能力,能够得到精度更高的IMF。最后将该算法用于实际爆破地震波信号分解中,发现提出的算法能够有效抑制EMD端点效应,有利于爆破地震波信号细节特征参数的提取。     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

Mechanical Fault Diagnosis Using Support Vector Machine

The Support Vector Machine (SVM) is a machine learning algorithm based on the Statistical Learning Theory ( SLT), which can get good classification effects even with a few learning samples.SVM represents a new approach to pattern classification and has been shown to be particularly successful in many fields such as image identification and face recognition. It also provides us with a new method to develop intelligent fault diagnosis. This paper presents a SVM-based approach for fault diagnosis of rolling bearings. Experimentation with vibration signals of bearings is conducted. The vibration signals acquired from the bearings are used directly in the calculating without the preprocessing of extracting its features. Compared with the methods based on Artificial Neural Network (ANN), the SVM-based method has desirable advantages. It is applicable for on-line diagnosis of mechanical systems.     

支持向量机及其在机械故障诊断中的应用

支持向量机（SVM）是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性。对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍,讨论了支持向量机的特点和存在的问题,展望了其在机械故障诊断的研究前景。     

基于遗传算法优化支持向量机的超声图像缺陷分类

超声图像缺陷在分类时由于存在样本数量少、样本类别多、不易区分等问题,分类的准确率较低。针对这些问题,提出了基于遗传算法优化支持向量机的超声图像缺陷分类方法。该方法首先通过图像处理提取超声图像缺陷的特征数据,然后训练支持向量机作为超声图像缺陷分类器,最后采用遗传算法优化参数求得最优的分类器。实验结果表明,提出的超声图像缺陷分类器在识别率方面优于其他方法的分类器,综合识别率达到了90%,可以有效地辅助工作人员对超声图像缺陷进行分类识别。     

基于单类支持向量机的冷水机组温度传感器故障检测

冷水机组系统中,温度传感器出现故障会严重影响机组工作效率及使用寿命。针对冷水机组温度传感器偏差故障,本文提出一种基于单类支持向量机(one-class support vector machine,OC-SVM)的故障检测方法,采用冷水机组正常数据建立OCSVM模型,通过十折交叉验证法获得模型优化参数。分别采用工程实测数据和实验数据(共4组)对该方法进行了验证,结果表明:基于OC-SVM的方法能有效检测出4组冷水机组的温度传感器偏差故障。其中对于螺杆式冷水机组(数据集Ⅰ)的故障检测效果明显,当冷冻水侧温度传感器偏差故障幅值绝对值大于1℃时,检测效率达到100%。     

基于支持向量机的汽车发动机故障诊断研究

研究在汽车发动机不解体的情况下获取发动机缸盖表面的振动信号和上止点信号,按曲轴转角的周期对振动信号的时域能量进行合理分段;提取各段信号的时域能量作为发动机各缸状态的特征值。建立发动机各缸不同故障状态的训练集,用支持向量机的方法实现发动机故障模式的诊断与识别。研究结果表明,该方法对汽车发动机故障类型、故障位置的诊断识别具有重要工程意义。     

基于SVM的电子分析天平温度漂移补偿方法

电磁力平衡传感器等关键部件的温敏特性是引起电子分析天平温度漂移的主要因素。针对电子分析天平温度漂移问题提出了基于支持向量机的补偿方法。通过分析引起电子分析天平温度漂移误差的原因,将温度敏感部件的温升和电子分析天平的温度漂移数据作为模型输入,运用自适应参数优化方法寻找最优参数,建立电子分析天平温度漂移误差模型并进行温度漂移补偿。通过对量程200g、分辨力0.1mg的电子分析天平进行补偿检验,结果表明全量程内的示值误差绝对值≤0.3mg,优于国家标准GB/T 26497-2011《电子天平》规定的I级天平对温度漂移指标的要求。