基于经验小波变换的耦合电路故障识别方法

由于传统的耦合电路故障识别方法准确率较低，易导致电路瘫痪，本文提出基于经验小波变换的耦合电路识别方法。通过非接触测试方式采集耦合电路故障信号；采用小波包分析法对采集的故障信号进行去噪处理；基于经验小波变换有效提取故障特征；利用PSPICE的灵敏度分析法获取故障特征的权重；根据故障特征的权重采用SVM故障分类器进行耦合电路的故障分类，实现耦合电路故障识别。选取某经典耦合电路进行仿真实验，实验结果表明：单故障识别准确率高达98.5%、双故障识别准确率高达97.9%，说明本文所提方法具有较高故障识别准确率。     

基于树模型机器学习的皮肤电信号情绪识别

为了提高维度模型生理信号情绪识别准确率和泛化能力,本文基于DEAP维度情感生理数据集,提取皮肤电信号时域统计特征、功率谱特征、小波包熵特征,分别采用决策树和随机森林算法在唤醒度和效价两个情感维度进行情绪分类.通过选取合适的维度情感标签阈值,有效提高机器情绪识别准确率和稳健性;利用情绪诱发状态与自然状态下的皮肤电信号的差值进行归一化处理,消除个体差异,提高模型的泛化能力;采用多特征融合并基于集成学习的随机森林算法,获得更好的情绪识别性能.在唤醒度维度上的分类准确率Acc和F1值分别为92.0%和0.933,在效价维度上的分类准确率Acc和F1值分别为90.9%和0.925.仿真实验表明,基于树模型的机器学习方法可以实现维度情绪的准确识别,该研究可用于可穿戴设备生理信号情绪自动分析和机器识别.     

基于数据驱动的微电网故障检测方法

目的:为了准确地识别微电网故障,提出了一种基于数据驱动的故障检测方法。方法:首先采集微电网正常与短路故障时的各种电气量作为特征库;然后利用支持向量机-递归特征消去法进行特征选择,去除冗余特征,得到最优特征集;最后利用优化的随机森林训练最优特征集数据,得到最优分类器,利用该分类器测试数据。结果:实验证明,该方法比支持向量机、随机森林具有更高的故障分类准确率,其准确率为99.26%。结论:该方法能够准确地检测微电网的短路故障,对后续的微电网保护具有重要意义。     

基于PARAFAC分析和SVM离心泵故障诊断方法

在多尺度平行因子分析理论的基础上,将原始信号经过多尺度小波分解得到三维时频信号,再经平行因子分析得到通道加载因子、时间加载因子和频率加载因子,通过实验分析,后二者可以明显地表征设备正常或故障状态,利用这一特征建立不同状态的离心泵与其对应的时间加载因子和频率加载因子的映射关系,并以此作为改进粒子群算法优化后的支持向量机分类器的特征向量进行故障分类。与小波包能量特征相比,所提的这种诊断方法用于离心泵故障诊断时提取特征更为简便,所提分类器的分类准确率有显著提高,而其复杂度却没有明显增加。     

基于MSPCA的缸盖振动信号特征增强方法研究

针对发动机缸盖振动信号信噪比低的问题,提出了基于多尺度主元分析的故障特征增强方法。将缸盖振动信号小波包分解后,利用主成分分析对所有子带系数进行坐标变换,信号重构后再进行小波包分解,计算新坐标系下各子带的能量作为发动机故障的特征向量。仿真信号验证了本文所提算法对微弱冲击信号的增强能力,与支持向量机结合用于发动机十一种故障的诊断实例表明,故障分类准确率可达到98.76%。     

基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法

针对3层小波包分解（Wavelet Packet Decomposition,WPD）忽略了1和2层分解信号以及核极限学习机（Kernel Extreme Learning Machine,KELM）参数选择困难的问题，提出一种基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法。该方法首先对小波包分解中1-3层的14个小波包散布熵（Dispersion Entropy,DE）应用最大相关最小冗余算法（max-relevance and min-redundancy,mRMR）进行特征排序，确定最佳向量维度；然后应用哈里斯鹰优化算法（Harris Hawks Optimization,HHO）实现对KELM参数的优化；最后将最佳维度的小波包散布熵输入到经HHO优化的KELM中进行故障识别。实验结果表明，将m RMR特征选取功能和HHO-KELM聚类功能进行有效结合，可实现故障诊断过程中对分解信号的充分利用，与将只用到第3层分解信号的小波包散布熵输入到KELM的故障分类方法相比，识别准确率提高11.38%。     

基于小波包分解和PCA-Attention-LSTM的舰船辐射噪声识别技术

为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(LongShort-TermMemory,LSTM)网络中分类的方法。该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis, PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率。为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比。实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法。     

基于残余动量时频特征和SVM的机械臂故障分类

针对两连杆三自由度机械臂的电机故障和碰撞故障的分类,将残余动量信号时域中的均值、方差、相关系数与频域中的小波包能量谱组合成高维特征向量;搭建ADAMS机械臂虚拟样机,分析故障引起的残余动量特征值变化情况;虚拟样机与Matlab/Simulink进行联合仿真和支持向量机故障分类器训练,测试表明采用时频特征向量得到的故障分类准确率为98%;在工业机械臂上开展了碰撞故障实验,得到的故障分类结果表明,基于残余动量时频特征和支持向量机分类器的故障检测算法能有效检测出碰撞故障.     

基于LS-SVM多分类器融合决策的混合故障诊断算法

故障诊断的关键是特征向量提取和分类器的选择, 提出一种综合运用多特征提取和多分类器组融合决策的故障诊断算法. 多特征提取选择小波包变换、总体平均经验模式分解方法(Empirical Mode Decomposition, EEMD)和改进小波能熵方法, 得到三组不同的故障特征信息; 将这三组特征信息输入由3个最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)组成的分类器组进行初步诊断; 采用自整定权值的决策模板法(Self-adjusting weighted Decision Templates, SWDT)进行多分类器诊断结果的融合决策. 实验证明, 该方法能实现轴承不同故障类型, 尤其是复合故障的可靠识别, 验证了该算法提取轴承故障特征信息的完备性, 以及分类器组融合决策的可靠性.     

基于随机RF的集成SVM故障诊断改进算法

针对工业系统监控数据不均衡导致的故障状态难以被识别问题,提出一种基于随机旋转森林的集成支持向量机(RRFESVM)故障诊断算法,通过将监控数据进行属性随机分割、组合、PCA变换和样本有放回重采样,组建多个新训练子集并使用支持向量机算法进行训练,得到多个支持向量机故障诊断基分类器,集成得到强分类器,由此既保证基分类器之间的差异性,又保证故障诊断精度和分类器性能稳定性,从而解决故障诊断易偏置问题,提高作为少数类的故障状态实时诊断准确率。亚轨道飞行器再入过程实验与TE化工过程实验都表明RRFESVM故障诊断算法能够有效提升不均衡数据情况下的实时故障诊断性能。     

基于VMD和SVD的柴油机气门间隙异常特征提取研究

为有效地从柴油机缸盖表面振动信号中提取气门间隙故障特征,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的特征提取新方法。采用VMD算法对缸盖振动信号进行分解,利用所得的模态分量构建特征矩阵;接着应用SVD理论将特征矩阵转变为表征频率特性的奇异值序列,探讨了稳定工况下的奇异值序列与不同气门间隙状态之间的关系;由于转速、负荷等工况的改变对信号特征层的影响与故障所引起的信号特征的改变可能非常相似,因此将奇异值序列作为特征参数,输入到随机森林分类器中,构建分类模型,对柴油机变工况下的气门间隙故障进行诊断。实验结果表明:该方法能有效识别气门间隙故障,突出故障敏感特征;与传统基于Hankel矩阵和小波包系数矩阵的SVD特征提取方法相比,该方法所提特征参数在柴油机变工况条件下具有更高的识别率。     

基于滑动平均与相关向量机的齿轮早期故障智能诊断

早期故障及时检测与预防维护具有很大的经济与安全意义,提出一种基于相关向量机(RVM)的智能故障诊断方法用于检测齿轮早期故障。首先,小波包变换与Fisher准则结合,自动确定最优分解层次,并在小波包树节点能量中提取出具有最大分类能力的全局最优特征;其次,RVM用于训练故障诊断模型;最后,在线监控过程中,对连续监测的特征值做滑动平均滤波,再输入到故障诊断模型。实验表明,该方法具有很高的分类精度,RVM模型比SVM模型更适合在线故障监测。     

小波包分析在电动机转子断条故障诊断中的应用

采用改进型小波包算法从电气和机械方面提取信号的故障特征,提出一种基于小波包分析频带能量的故障诊断方法。经实验可知,该方法能够更全面的快速检测到转子断条故障的存在而且准确率高,在许多工程实践中可以应用。     

基于紧致型小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出基于紧致型小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号通过小波包分解来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断。通过对往复泵液力端多故障诊断实例的检验表明,该系统故障诊断正确率达到94 %以上。     

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。     

一种用于风机故障诊断的免疫克隆特征选择算法

提出一种新的用于风机故障诊断的免疫克隆特征选择算法.提取了生产线上实测风机噪声的时域波形结构特征、小波分析特征及听觉谱特征,进行特征选择和故障诊断仿真实验.实验结果表明：在特征选择后的特征数目比原特征数目减少61% 的情况下,支持向量机分类器的分类正确率下降很小,分类时间显著减少.实验结果证明了该算法的有效性和鲁棒性,且能有效地应用于风机故障诊断.     

基于KS检验的智能故障诊断方法研究

提出了一种利用KS检验对机械故障进行分类的新方法。通过仿真试验和齿轮故障诊断，说明该方法在数据样本含有一定噪声时也能正确判断故障。在利用少量轴承时域故障数据样本建立多故障分类系统后，仅仅需要极短时间就能准确分类多种故障。结果表明，该方法具有很好的分类能力和较高的计算效率，完全可以满足智能故障诊断的要求。     

局域判别基空间能量的水声目标特征提取

考虑水声信号的非平稳性及时变性,对信号进行小波包分解。不同的小波包基可以反映不同的信号特性,基于距离准则,求取小波包局域判别基,在局域判别基的基础上,提出通过求取局域判别基的各子空间的能量,形成特征矢量的特征提取方法。利用Fisher准则函数进行特征选择,得到识别特征矢量,针对识别特征矢量设计神经网络分类器,对三类目标进行分类,验证实验表明,基于这种方法提取的识别特征矢量在水声目标分类识别中是有效的。     

基于IITD模糊熵与随机森林的滚动轴承故障诊断方法

针对滚动轴承故障微弱振动信号特征提取后难以识别的问题,提出基于改进的固有时间尺度分解(IITD)和模糊熵(FE)输入随机森林(RF)模式识别的滚动轴承故障诊断方法.首先,利用轴承试验台采集正常、滚动体故障、内圈故障、外圈故障等4种状态下轴承的振动信号;通过IITD分解将采集到的振动信号分解成一组固有旋转分量(PRC),...