滚动轴承技术故障诊断的支持向量机方法研究

针对当前故障诊断中几种常用方法的不足,首次提出将支持向量机方法应用于滚动轴承技术故障诊断。该文提出的两种算法其核心均是利用支持向量机方法对样本进行分类。支持向量机方法基于小学习样本条件下,通过寻求结构风险最小,以期获得良好的分类效果和泛化能力。两种实验结果表明,在选用合适核函数及参数条件下,支持向量机具有学习速度快、诊断正确率高的优良性能,这一结论表明了该文所提出方法的优越性。     

基于CNN-DE-SVM的滚动轴承故障诊断研究

滚动轴承是各类旋转机械中最为重要的元件之一,若滚动轴承在机械设备运行过程中发生故障又无法及时判断出故障,所造成的连锁反应会对整条生产线产生影响,从而给企业造成经济损失。为了及时判断出滚动轴承所发生的故障,提出一种基于卷积神经网络(CNN)和差分进化算法(DE)优化支持向量机(SVM)的故障诊断模型(CNN-DE-SVM),针对滚动轴承的典型故障开展研究。结果表明,CNN-DE-SVM模型拥有较高的特征提取性能与故障诊断精度。     

基于ICA和SVM的滚动轴承故障诊断方法研究

通过对滚动轴承振动信号的分析处理,提出了基于独立分量分析和支持向量机的故障诊断方法,采用FastICA算法对信号进行分析处理,提取出代表轴承运行状态的投影系数矩阵,并以此作为特征向量来建立支持向量机分类器,利用SVM网络的智能性来判断滚动轴承的工作状态和故障类型。     

基于HGWO-MSVM的采煤机滚动轴承故障诊断方法

针对采煤机滚动轴承故障特征向量提取较困难、多分类效果不理想等问题,提出了基于HGWOMSVM的采煤机轴承故障诊断方法。对轴承故障信号进行小波降噪处理,利用经验模态分解算法对降噪后信号进行分解,并提取能量特征值,作为MSVM的训练集和测试集。采用MSVM进行故障状态识别,并用HGWO算法对MSVM的参数进行优化。试验结果表明,相比于GWO、GA和PSO优化MSVM模型,基于HGWO-MSVM的采煤机轴承故障诊断模型可明显提高故障识别精度和效率。     

基于EEMD的滚动轴承故障诊断

模糊熵是一种检测时间序列复杂程度的方法,在衡量时间序列复杂性方面具有广泛应用.由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析.基于此提出了基于集合经验模态分解和模糊熵的滚动轴承故障诊断方法.首先,通过集合经验模态分解将振动信号自适应的分解为多个不同尺度下的内禀模态函数;...     

基于经验模态分解和支持向量机的滚动轴承故障诊断

本文针对滚动轴承的故障诊断问题,首先提出一种自适应波形匹配的延拓方法对经验模态分解(EMD)存在的端点效应进行改进,然后基于改进的EMD和粒子群优化算法(PSO)优化的支持向量机(SVM)设计了一种两阶段的滚动轴承故障诊断方法.离线阶段对典型的正常、故障振动信号进行EMD分解并提取能量信息作为特征,送入PSO–SVM进行训练并保存模型待用,在线阶段对实时的振动信号进行EMD分解并提取特征,利用离线阶段训练好的模型进行诊断并输出诊断结果.使用美国西储大学轴承数据对该方法进行了验证,实验结果证明了该方法的有效性.     

滚动轴承故障诊断优化仿真研究

研究提高滚动轴承故障诊断准确率问题,滚动轴承故障振动信号具有非平稳,造成系统不稳定,针对传统方法难以提取故障信息的不足,提出一种小波包和最小二乘支持向量机的滚动轴承故障诊断方法(WP-LSSVM)。首先采用小波包对滚动轴承振动信号进行降噪处理,消除背景和噪声信息,然后小波包对去噪后振动信号分解并计算能量特征值,最后采用最小二乘支持向量机对能量特征值进行学习,建立滚动轴承故障诊断模型。仿真结果表明,滚动轴承故障诊断训练和测试时间减少,且故障诊断准确率得到提高。     

EEMD-GSSA-SVM滚动轴承故障诊断方法研究

针对现有滚动轴承故障诊断算法诊断准确度不高的问题,提出了一种基于集合经验模态分解(EEMD)以及全局麻雀群搜索算法(GSSA)优化支持向量机(SVM)的滚动轴承故障诊断方法.所提方法利用EMMD以及能量矩对原始信号进行模态分解与特征提取.为提高诊断精度,提出一种GSSA-SVM算法.首先提出一种对原始麻雀搜索算法(SS...     

基于SSAE-SVM的滚动轴承故障诊断方法研究

针对现有滚动轴承故障诊断方法过度依赖于有监督学习算法的问题,提出一种基于堆栈稀疏自编码和支持向量机(SSAE-SVM)的滚动轴承故障诊断方法.利用堆栈稀疏自编码(SSAE)的频域深层特征学习能力,对轴承故障特征进行快速傅里叶变换和批归一化处理,再输入到SSAE网络.所构建的SSAE网络通过贪婪算法逐层训练,使用梯度下降...     

一种改进的基于RS与SVM的故障诊断方法

传统的基于粗糙集与支持向量机的故障诊断方法在用支持向量机分类前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐含知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该方法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐舍知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该 法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集     

基于鲸鱼算法优化LSSVM的滚动轴承故障诊断

针对轴承振动信号中的故障特征难以提取的问题,提出一种基于改进的鲸鱼算法优化最小二乘支持向量机(least square support vector machine, LSSVM)的故障分类方法.首先,利用变分模态分解(variational mode decomposition, VMD)对原始信号进行分解,使用中心频率法解决VMD中分解参数K值的选取问题;其次,计算每个IMF分量的多尺度排列熵值,提取信号故障特征;再次,针对鲸鱼算法(whale optimization algorithm, WOA)收敛速度慢和精度低的问题,引入冯诺依曼拓扑结构和自适应权重进行改进,可以适当地调整全局搜索能力和局部搜索能力之间的平衡;最后,采用改进后的鲸鱼算法优化LSSVM核函数的参数和惩罚因子,建立滚动轴承故障诊断模型,并利用美国凯斯西储大学提供的轴承数据集进行仿真实验.实验结果表明,所提方法的故障分类性能更好,准确率更高.     

多传感器信息融合在滚动轴承故障诊断中的应用

针对单一传感器在滚动轴承故障诊断中存在故障识别率不高,敏感特征不易提取,诊断系统可靠性差等问题,提出了采用多传感器特征层、决策层信息融合的故障诊断方法.对振动信号采用经验模式分解(EMD)、小波包和局部均值分解(LMD)方法进行处理并提取特征向量,构建支持向量机分类器.经过特征层交叉诊断,得到初步诊断结果,在决策层采用D-S证据理论进行决策融合.试验表明:该方法可以提高滚动轴承故障识别率.     

一种采煤机截割部滚动轴承故障诊断方法

针对采煤机截割部滚筒轴承结构复杂极易损坏,且单凭借人为经验难以对故障进行定位判别的问题,提出了一种基于入人工蚁群-模拟退火算法的自适应时变滤波经验模态分解方法,去掉了原始振动信号中的低频干扰,画信号快速峭度图以峭度最大处对应的中心频率和带宽来设定带通滤波器参数,以进一步突出信号的高频特征,对经过处理后的信号平方包络后画包络谱图,将计算所得理论故障频率和包络谱图最大幅值处所对应的频率对比,从而对故障类型进行判别;通过采煤机试验表明所提方法能够适用于采煤机实际工程应用,可以有效消除信号中低频干扰部分,提高振动信号的峭度特征,并在不同转速和不同故障尺寸的条件下下分别达到100%和88.9%的故障判别率。     

BP-LCD方法及其在滚动轴承故障诊断中的应用

针对局部特征尺度分解（Local Characteristic-scale Decomposition,LCD）方法中严重的端点效应,将BP神经网络应用到信号的延拓中,提出了一种提出基于BP神经网络延拓局部特征尺度分解（BP neural network endpoint extension Local Characteristic-scale Decomposition,BP-LCD）方法。该方法首先利用BP神经网络将待分解信号进行两端预测延拓,然后对延拓后的曲线进行LCD分解。通过仿真信号的分析,验证了该方法可以有效地抑制LCD方法中的端点效应;将该方法应用到实际滚动轴承的故障诊断中,结果表明了该方法的有效性。     

基于蝙蝠算法优化相关向量机的轴承故障诊断方法

由于轴承振动信号具有复杂性和非线性,难以有效提取故障特征,影响故障诊断的准确率.为了提高故障诊断准确率,提出一种蝙蝠算法(BA)优化相关向量机(RVM)的轴承故障诊断方法.首先结合变分模态分解和多尺度熵从轴承振动信号中提取出故障特征,作为相关向量机的输入向量;接着采用蝙蝠算法优化相关向量机的核函数参数;然后训练相关向量...     

基于岭回归的RVPMCD滚动轴承故障诊断方法

针对多变量预测模型模式识别方法中的最小二乘拟合可能出现病态的问题,提出了基于岭回归的多变量预测模型（Ridge regression-Variable Predictive Model based Class Discriminate,RVPMCD）分类方法,该方法通过引入岭参数,降低其均方拟合误差,减小自变量间复共线性关系对参数估计的影响,改善了原方法中最小二乘回归拟合参数失真的现象,从而有望建立更加准确的预测模型。对滚动轴承的振动信号提取特征值,组成特征向量,采用RVPMCD方法对训练样本建立预测模型,利用RVPMCD所建立的预测模型进行模式识别。实验分析结果表明,基于岭回归的多变量预测模型分类方法可以更有效地对滚动轴承的工作状态和故障类型进行识别。     

基于EMD小波包和ANFIS的滚动轴承故障诊断

为了有效识别出滚动轴承的内圈故障、外圈故障、滚动体故障三种故障类型,提出一种基于经验模态分解EMD的小波包去噪和自适应神经模糊推理系统ANFIS的诊断方法。对故障信号进行去噪预处理,对已处理的信号利用ANFIS进行故障识别。结果表明,采用基于EMD的小波包去噪方法能有效地提高信噪比,在去噪的基础上,采用ANFIS进行故障诊断,诊断结果的误差低,能很好地识别出上述三种故障类型。     

随机森林在滚动轴承故障诊断中的应用

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出了一种基于分类回归树（CART）的随机森林滚动轴承故障诊断算法。随机森林是包含了多种分类器的集成学习方法。通过随机森林的“集成”思想来提高滚动轴承故障诊断的精度。从滚动轴承的振动信号中提取时域统计指标,将其作为特征向量,利用随机森林（Random Forest）对滚动轴承故障进行诊断。利用SQI-MFS实验平台的轴承数据,与传统分类器（SVM、kNN和ANN）以及单个分类回归树的诊断结果相比,随机森林算法具有比较高的诊断精度。