基于支持向量机的齿轮故障诊断方法

对齿轮故障诊断的特点进行了阐述，指出由于环境噪声的干扰，在齿轮故障诊断中往往不能获得理想的诊断结果。为此在对齿轮运行状况进行有效特征提取的基础上，采用支持向量机的方法对齿轮进行故障诊断。研究结果表明采用该方法可以获得比神经网络和线性判别方法等更准确的诊断结果。     

基于M-ary SVM的电力电子电路故障诊断方法研究

将基于M-ary支持向量机的故障诊断方法应用到电力电子电路的故障诊断中。利用小波变换和Concordia变换提取电力电子电路故障信息,运用几种典型的故障诊断方法和Mary SVM对电路进行诊断。实验结果表明,M-ary SVM可以有效地用于电力电子电路故障诊断中,具有高的故障诊断精度和更快的测试速度。     

基于SVR的传感器故障诊断方法研究

为了检测传感器的工作状态,提出了一种新的诊断方法:基于SVR(回归性支持向量机)的传感器故障诊断方法。在简要介绍支持向量机(SVM)的基础上,主要论述了回归性支持向量机(SVR)及传感器故障诊断的方法。实验表明,该方法设计简单、易于实现,能适应故障诊断的需求。     

基于支持向量机的离心泵故障诊断方法研究

简要论述了支持向量机的原理，介绍了几种支持向量机的多类分类算法，最后将它们应用于离心泵的故障诊断进行比较，获得了令人满意的效果。     

基于综合型模糊支持向量机的故障诊断方法及应用

设备信息和故障的不确定性、模糊性及故障样本的缺乏给故障诊断带来了较大的困难.针对该问题,分析了现有模糊支持向量机的原理和优缺点,提出了一种综合型模糊支持向量机.该模糊支持向量机既可以处理样本含有模糊信息的情况,又可以解决支持向量机分类中存在的不可分问题.然后,提出了基于综合型模糊支持向量机的故障诊断方法,并在某电路系统故障诊断中开展了应用研究.应用结果表明,该诊断方法在设备状态存在模糊性和故障样本较少的情况下,与现有模糊支持向量机诊断方法相比,实现了较准确的故障诊断.     

改进一维卷积神经网络与双向门控循环单元的轴承故障诊断研究

针对传统智能故障诊断依赖于人工经验进行特征提取和传统卷积神经网络(Convolutional neural networks, CNN)参数过多、训练量过大且无法充分利用时间序列信息的缺点,提出一种基于改进一维卷积神经网络与双向门控循环单元的深度学习新算法。首先,该方法利用一维卷积神经网络自提取能力进行特征提取,同时设计了一个全局均值池化层替换传统卷积神经网络的全连接层,减少参数数量;其次,引入双向门控循环单元学习特征信号中的时间序列关系;最后,通过支持向量机替换传统CNN中的Softmax层进行故障分类,进一步提高诊断的准确率。实验表明,该方法将诊断的准确率提升至99.8%,并且加快了诊断的速度。通过与其他方法的对比,证明了该方法有着更高的准确率,更快的诊断速度,更好的鲁棒性。     

基于PCA-SVM集成阀门故障诊断方法研究

提出了一种基于主元分析和支持向量多分类器的故障诊断方法.该方法首先对工业故障数据进行主元分析提取数据集特征并降低数据维数,再把故障特征数据通过支持向量多分类器进行模式分类,最后通过特征分类诊断故障.在DAMADICS阀门模型上进行了仿真,并利用Lublin Sugar Factory工业故障数据进行了验证.仿真结果表明该方法可以快速准确地检测与诊断故障.     

基于核算法的智能故障诊断方法研究

随着设备复杂性程度的提高,最终导致在设备的故障诊断中越来越多地采用智能方法.为此介绍了几种基于核算法智能故障诊断方法和几种预测模型,并提出一种新的在线故障诊断方法.     

基于支持向量机的水电机组故障诊断研究

针对水电机组故障信息缺乏、故障识别困难等问题,提出基于支持向量机的水电机组故障诊断模型。并针对实测水电机组故障数据,分析支持向量机水电机组故障诊断模型和常用的神经网络故障诊断模型等理论在水电机组故障诊断中的优劣。研究表明,支持向量机理论在小样本情况下比神经网络具有更强的诊断能力。     

基于神经网络和支持向量机的复合故障诊断技术

结合神经网络和支持向量机的优点,针对实际应用的不同阶段,提出了一套基于神经网络和支持向量机的复合故障诊断技术.该技术不但可以融入新的故障信息,而且可以使故障诊断模型始终处于最优识别状态,并以往复压缩机气缸系统常见故障的诊断为实例,验证了该技术的有效性.     

基于改进决策树算法的设备故障智能诊断模型

提出一种改进决策树智能故障诊断方法.首先构建故障诊断原始决策表,然后对特征数据进行离散化处理;接着利用可辨识矩阵约简算法对决策表进行属性约简;最后利用 G45 算法构造出最优诊断决策树;并对实例进行故障诊断.结果表明:该方法能有效地删除冗余信息,形成精简的决策规则库,提高故障识别速度,具有很强的工程实用性.     

基于改进型shapelets算法的动车组轴箱轴承故障诊断方法研究

现存的两种分别基于信号处理技术和大数据处理技术的滚动轴承故障诊断方法,存在着过度依赖信号处理、模型复杂、可解释性弱等特点.针对传统故障诊断技术的不足,本文将基于shapelets学习算法的时间序列分类方法引入故障诊断领域,通过动车组轮对台架滚振实验建立了动车组轴箱轴承故障的非平衡数据集,并基于Dropout思想对诊断模...     

An improved initialization method of D-KSVD algorithm for bearing fault diagnosis

A novel bearing fault diagnosis method combining feature extraction based on wavelet packets quantifiers and pattern recognition method based on improved initialization method of Discriminative K-SVD (D-KSVD) algorithm is proposed. In D-KSVD algorithm, the representational power of dictionary and discriminative ability of classifier are seriously affected by their initialization values. Therefore, the improved initialization method of D-KSVD is presented and employed for bearing fault diagnosis. The improvement is that during the initialization of training stage, subdictionaries corresponding to each category are trained by K-SVD separately and then the initial dictionary is constructed by cascading the subdictionaries, which can completely represent the characteristics of all categories, and as for the initialization of linear classifier, naive Bayesian classifier is utilized. The experimental results show that under the same parameters the improved D-KSVD has better classification ability compared with traditional D-KSVD and some other classification methods.     

An improved LLE algorithm based on iterative shrinkage for machinery fault diagnosis

Local linear embedding (LLE) algorithm is widely utilized to feature extraction for fault diagnosis, but the diagnosis result is sensitive to reconstruction weight W of LLE. To make W more significant and robust, in this paper, ISLLE algorithm is proposed with the aid of iterative shrinkage technology and LLE algorithm. In ISLLE algorithm, a surrogate function is introduced, upon which the high-dimensional optimization problem can be decoupled into a set of one-dimensional equations, then W can be easily computed by iterative shrinkage method. In each iteration, the small and negative weight coefficients are eliminated, while the large ones are shrunk, which can be regarded as feature extraction and noise reduction. Hence, the signals processed by ISLLE are more beneficial to diagnosis. Three real datasets are used to examine the proposed method. The experimental results demonstrate that the proposed method is valid, and the performance of ISLLE outperforms that of the original LLE.     

基于改进BP神经网络的故障诊断方法

对于常规BP神经网络,其收敛过程存在两个很大的缺陷:收敛速度慢;存在所谓"局部最小值"问题.文章采用了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练,建立了智能诊断模型,并应用于某型坦克发动机的故障诊断,测试结果表明该方法相比常规BP算法能够更有效诊断发动机油路和气路的故障,从而为故障诊断及判定的自动化提供了一个新思路.     

多策略改进麻雀算法与 BiLSTM 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,提出了一种多策略改进麻雀算法(MISSA)与双向长短时记忆网络(BiLSTM)的变压器故障诊断模型。基于油中溶解气体分析(DGA)技术,结合无编码比值方法提取变压器9维故障特征作为模型输入进行网络训练,输出层采用Softmax函数得到故障诊断类型;采用Logistic混沌映射、均匀分布的动态自适应权重以及动态拉普拉斯算子来对麻雀搜索算法(SSA)进行改进;在初始解集内,利用MISSA对目标超参数进行寻优,使变压器故障诊断精度最优,并结合核主成分分析(KPCA)对故障特征指标降维,加快模型收敛速度。结果表明,提出的模型诊断精度为94%与PSO-BiLSTM、GWO-BiLSTM和SSA-BiLSTM故障诊断模型相比,分别提高了11.33%、8.67%、6%,验证了本文方法能够有效地提高变压器的故障诊断性能。     

基于改进DQN网络的滚动轴承故障诊断方法

针对实际中滚动轴承正常和故障状态下的振动数据不平衡,且故障诊断准确率不高的问题,基于深度强化学习,提出一种改进深度Q网络(DQN)的滚动轴承故障诊断方法.该方法将振动信号进行短时傅里叶变换,构建时频图样本集;提出把K-means算法中样本到中心点的距离作为回报值的偏置,以不平衡比为基准,为训练集构建具有个性化的回报函数...     

电气设备故障诊断“六诊法”的实际应用

本文介绍了在生产实际当中,电气设备发生故障后,应用过六诊法,即口问、眼看、耳听、鼻闻、手摸、表测的六法,准确诊断出故障所在的具体方式、方法,从而快速排除故障,减少经济损失,提高劳动生产率,保障安全生产。     

A roller bearing fault diagnosis method based on the improved ITD and RRVPMCD

Targeting that the measured vibration signal of roller bearing contains the characteristics of non-stationary and nonlinear, and the extraction features may contain smaller correlation and redundancy characteristics in the roller bearing fault diagnosis, the vibration signal processing method based upon improved ITD (intrinsic time-scale decomposition) and feature selection method based on Wrapper mode are put forward. In addition, in the design of the classifier, targeting the limitation of existing pattern recognition method, a new pattern recognition method-variable predictive model based class discriminate (VPMCD) is introduced into roller bearing fault identification. However, the parameters are fitted by using least squares in VPMCD method, while least squares regression is sensitive to “abnormal value”. Therefore, a robust regression-variable predictive mode-based class discriminate (RRVPMCD) method is proposed in this paper, robust regression is adopted to estimate parameters and the effect of “abnormal value” in the estimation of parameters would be reduced by giving each feature a weight. Firstly, improved ITD method and feature selection method based on Wrapper mode are combined to extract the fault features of roller bearing vibration signals, and feature vector matrixes are established, then a predictive model is built through the method of RRVPMCD, finally, the established predictive model is used for pattern recognition. Experimental results show that the model based on the improved ITD, the Wrapper feature selection and RRVPMCD method can effectively identify work status and fault type of roller bearing.     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。