基于多类SVM与改进EMD的故障诊断

鉴于传统方法在智能故障诊断中存在着一些不足,提出了一种基于多类支持向量机(SVM)和改进的经验模式分解(EMD)的故障检测与诊断办法。首先通过采用窗口平均法的EMD将原始信号自适应分解到分布在不同频带的基本模式分量(IMF),再用特征归一化处理进行特征提取,然后输入多类SVM分类器进行分类,从而对设备的当前状况作出判断。经过实验证明,本方法可以有效地对轴承设备进行故障诊断。     

基于特征信息融合的离散小波SVM齿轮故障诊断方法研究

针对齿轮振动信号故障特征微弱及故障样本不足,提出基于特征信息融合的小波-SVM(支持向量机)故障诊断方法,用于多类齿轮故障诊断。该方法采用离散小波变换对齿轮的振动信号进行处理来构造特征向量,将多路信号融合后输入到SVM的多故障分类器中进行故障识别。实验结果表明:该方法能够在训练样本数量少的情况下,快速获得良好的分类结果,且其故障诊断准确率在96.67%以上;峰值和峰值因子对齿轮故障最敏感,以峰值或峰值因子为特征量的多传感器信息融合,其诊断准确率达95%。该方法更适合于实际齿轮故障诊断应用,并为多类齿轮故障快速诊断的进一步创新研究提供了理论基础。     

基于EMD和SVM的齿轮裂纹故障诊断研究

为了识别不同裂纹深度的故障齿轮,以齿轮传动系统中的直齿圆柱齿轮为研究对象,采集3个已预设不同裂纹深度的齿轮和1个无裂纹齿轮的振动信号。对采集到的振动信号先进行时频域分析和EMD分解,再提取不同维数的能量故障特征向量,采用基于径向基核函数的算法分别建立SVM模型并进行不同裂纹深度齿轮的识别和识别率比对。结果表明：选择合适维数的能量故障特征向量,结合EMD信号分解和SVM模式识别方法能准确识别不同裂纹深度齿轮的类型,为齿轮裂纹故障的早期诊断提供参考。     

基于EMD与BP神经网络的齿轮故障诊断

针对基于传统BP神经网络的齿轮故障诊断方法存在收敛速度慢,误差较大等问题,提出经验模式分解（EMD）与BP神经网络相结合的齿轮故障诊断方法。首先简述经验模式分解和BP神经网络的基本原理,然后采用EMD方法提取齿轮时域信号中的各个IMF分量,计算IMF分量中故障信号能量特征参数,将这些能量特征参数作为BP神经网络输入参数进行故障诊断。在齿传动故障实验台上采集足够的样本数据进行实验研究。结果表明:与传统的BP神经网络相比,可将训练误差从0.01降低至0.001左右。此外,训练迭代次数可减小至10次以内。     

振动监测技术在齿轮裂纹故障诊断中的应用

在对一级齿轮箱的振动信号进行快速傅里叶变换和小波包变换的基础上,提取各个小波包系数的峭度和偏态,并选择分辨率较高的小波包系数的峭度和偏态作为齿轮裂纹的故障特征.最后通过基于粒子群优化算法(Particle swarm optimization,PSO)的支持向量机(Support vector machine,SVM)...     

基于频域特征和支持向量机的汽车水泵轴承故障诊断研究

为了在线监测与识别汽车水泵轴承的故障类型,以WR3258152型汽车水泵轴承为研究对象,分析了其内部结构和常见故障。根据常见故障,预设了汽车水泵轴承的4类缺陷。在搭建的信号采集实验平台上,利用加速度传感器,分别采集了4类缺陷轴承在运转过程中的振动信号。利用Matlab软件对振动信号进行快速傅立叶变换和频域特征值计算,选用径向基核函数和粒子群参数优化方法建立支持向量机模型,并进行测试验证,结果表明:支持向量机分类方法能精确识别汽车水泵轴承常见的4类缺陷。为汽车水泵轴承的在线监测与故障诊断提供了参考。     

基于多类支持向量机的板形识别方法

提出一种基于多类支持向量机理论的板形识别分类器,通过对冷轧工序中板形仪测得的数据进行预处理,获取所需样本数据。采用“一对多”方法训练多类支持向量机分类器,最后用测试样本对训练出的分类器进行性能测试。仿真结果表明该方法在处理小样本数据时识别率非常高,泛化能力更强,为板形识别提供了新的研究方法。     

基于混合特征LLE融合与SVM的质量异常模式识别

针对生产过程中存在的异常模式识别的问题,提出基于LLE融合与支持向量机的质量异常模式识别方法。首先从动态数据流中提取其原始特征、统计特征、几何特征并将其进行混合,形成动态数据流的混合特征,然后利用LLE算法对混合特征进行降维,将降维后的特征集作为MSVM分类器的输入进行训练,同时采用粒子群算法对MSVM分类器进行参数寻优。最后用训练好的模型对动态数据流进行异常模式的识别。并将所提方法与单一类型特征方法、混合特征方法的识别模型进行比较,仿真结果和应用实例表明,所提方法的识别精度较高,可用于生产过程的质量异常模式识别中。     

基于近似熵与支持向量机的异步电机故障诊断研究

针对异步电机故障发生率高、故障类别难以有效识别的问题,提出一种基于近似熵与支持向量机的故障诊断方法。通过构造故障再现试验,分别测取4种不同状态类别的多测点振动信号样本。利用近似熵算法计算其近似熵样本值,得到4种不同状态类别的近似熵故障特征向量。结合支持向量机算法,构建支持向量机分类模型。近似熵特征量被划分为训练样本和测试样本,经验证其故障诊断准确率达97.5%,改进BP神经网络诊断方法的准确率为92.5%,结果表明：近似熵结合支持向量机方法具有更高的诊断精度。     

基于SVM的数控系统连接类故障诊断方法

为了提高数控系统运行的安全性,及时监视系统的工作状态,针对系统中可能发生的多种连接类故障,在分析数控系统一般构成及工作原理的基础上,通过采集系统中的位置和扭矩监视信号,以高斯函数为非线性核函数,实现对支持向量机的训练,并得到能够实现对所述一类故障进行诊断的决策函数.通过以X-Y平台为对象的数据采集、支持向量机训练以及对故障的诊断实验,对上述方法的可行性与有效性进行了验证.     

基于EMD降噪的递归图分析方法在齿轮故障诊断中的应用

为从齿轮振动信号中提取包含故障信息的特征量,提出了一种基于经验模态分解(EMD)降噪的递归图分析方法。该方法用EMD方法将振动信号分解为有限个固有模式函数(IMF)分量,选取包含故障信息的IMF分量建立递归图,从递归图中提取特征向量,运用高斯混合模型进行模式识别。将该方法运用于故障齿轮振动信号的识别,结果表明该方法具有较高的识别率,对齿轮故障能够有效地进行分类与诊断。     

基于EMD和支持向量机的滚动轴承故障诊断研究

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,提高诊断准确率,进行了经验模态分解(EMD)和支持向量机(SVM)的研究,给出了相应的决策流程。基于改进的EMD分解的特征提取算法,选取故障特征明显的IMF分量进行特征提取,最大限度地滤除了低频噪声干扰,捕捉到信号的故障特征,然后将特征集输入到SVM分类器中进行识别,结果表明:该方法对于轴承故障识别具有较高的准确率,为确保轴承安全运行和快速故障诊断提供了理论支持。     

基于全矢NA-MEMD的滚动轴承故障诊断方法

针对EMD分解多通道信号得到的IMF分量在数量和频率成分出现的不匹配现象和单通道分析方法存在信息利用不充分的问题,提出了一种基于噪声辅助多维经验模式分解(NA-MEMD)与全矢谱结合的滚动轴承故障诊断方法——全矢NA-MEMD。利用NA-MEMD对同源双通道信号和噪声辅助信号构成的多通道信息自适应分解成一系列IMF分量;根据相关系数从同源双通道中选取包含故障主要信息的IMF分量进行重构;将重构信号进行全矢信息融合来提取故障特征。通过仿真信号和实验信号分析验证该方法的有效性。     

基于全矢局部均值分解的齿轮故障诊断方法研究

针对齿轮故障信号大多数是难分解的多分量的调幅-调频信号的问题,提出一种新的信号处理方法——全矢局部均值分解(FVLMD)方法。局部均值分解(LMD)可将多分量信号自适应地分解为多个单分量信号;全矢谱技术可以解决单通道信号不完整的问题。运用信息融合技术,将信号LMD分解得到的PF(Product Function)分量进行全矢谱融合分析,这样既可以将信号彻底分解,又可以保证其完整性。齿轮故障信号验证了该方法的有效可行性。     

基于EEMD的特征提取及其在齿轮裂纹故障诊断中的应用

为了提取齿轮裂纹故障的特征参数并识别不同裂纹深度齿轮的类型,以单级齿轮箱中的圆柱齿轮为实验对象,采集3种不同裂纹深度齿轮的振动信号。对采集到的信号进行时频域分析和EEMD分解,分别提取时域特征参数和EEMD能量特征参数,分析和构造齿轮裂纹故障特征向量,选用基于径向基核函数的支持向量机分类方法进行不同裂纹深度齿轮的识别。结果表明：结合时域特征参数和EEMD能量特征参数构造的齿轮裂纹故障特征向量能准确识别不同裂纹深度齿轮的类型。     

基于时频熵特征实现异步电机机械故障诊断

针对异步电机机械故障发生概率高且缺乏有效识别方法的现象,提出基于时频熵特征的支持向量机分类模型。通过搭建故障模拟平台,实现针对正常运转、动态偏心、不对中、基座松动以及轴承故障等多类型样本的振动信号采集,提取多维度的统计指标,并利用特征选择方法降低时间复杂度,以确保诊断的准确性和及时性,最后结合支持向量机进行模型训练,以完成故障诊断。实验结果表明：文中提出的方法,在已有的样本数据中准确度较高,一致性较好,整体方法实现简单。     

基于多元变模式分解的机械设备故障诊断方法

机械设备在运行时,其振动信号往往表现为非平稳信号。传统的时频分析方法在处理含有强噪声和强调制的非平稳信号时,常表现出降噪效果不明显、不能准确提取故障特征频率等缺陷。为此,提出一种基于多元变模式分解的机械设备故障诊断方法。通过建立约束变分模型表达式,将多个信号在相同的频率尺度分解为相同数量的固有模态函数（IMF）之和,每一个IMF都是一个调频调幅信号。为验证所提方法的有效性,将所提方法应用于多传感器采集的轴承故障信号分析。结果表明：所提方法对复杂环境下机械设备振动信号的降噪和故障特征提取效果较好,验证了其可靠性。     

VMD复合熵值法在齿轮故障诊断中的应用

针对齿轮实际工况复杂、故障特征难以提取的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)复合熵值法的故障诊断方法.首先,采用VMD方法对不同工况下齿轮振动信号进行分解,并对分解过程中关键参数的选择进行了研究;其次,根据频域互相关系数准则筛选出可有效表征齿轮状态特征的...