基于多传感器信息融合的滚动轴承故障诊断研究

由于单一传感器所包含的故障信息不能全面地反映滚动轴承的故障状态,提出了一种基于多传感器信息融合的滚动轴承故障诊断方法。首先,利用不同位置的加速度传感器采集滚动轴承故障振动信号,经集成经验模态分解(EEMD)后,前8个固有模态分量(IMF)的能量值作为分类器支持向量机(SVM)的输入故障特征参量;其次,利用故障特征参量训练分类器SVM,并对测试样本进行分类,实现故障的初步分离;然后,根据混淆矩阵获得各分类器的全局可信度和局部可信度,并与各测试样本的后验概率输出结合实现DS证据理论中基本概率分配函数的赋值;最后,利用DS证据理论实现融合以获得最终诊断结果。试验结果表明:提出的方法可有效融合不同传感器的故障信息,最大限度地避免误诊现象。     

基于动态PCA与改进SVM的航空发动机故障诊断

为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机（support vector machine,简称SVM）在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。     

基于动态PCA与改进SVM的航空发动机故障诊断

为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机(support vector machine,简称SVM)在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。     

基于SCADA数据的齿轮箱DS-DBN多测点融合故障诊断

为了提高油气管道运输业工艺设备与控制能力,应用数据采集与监控(SCADA)数据对齿轮箱状态进行监测。为了弥补深度信念网络(DBN)故障诊断模型局部搜索问题,综合运用DS证据理论和优化深度信念网络多测点故障诊断模型。研究结果表明：训练时测点分类误差显著减小,到达后期阶段时,误差下降速率缓慢,最终达到收敛的效果。采用改进DS证据理论处理能够快速获得全局最优参数。通过分析测点稳定性可知,连轴部测点实现了最高全局可信度,为99.25%。通过DS-DBN多测点故障诊断后,可以将正常状态、转子故障、定子故障的诊断准确率提升至接近100%的程度,对轴承故障诊断准确率提高至98.7%。该研究可以实现对各个测点故障数据的综合判断,防止受故障信号衰减影响。     

基于SVM观测器的新异类故障检测方法及应用

针对目前天文望远镜驱动系统新异类故障检测遇到的先验信息不足、特征描述困难等现状,提出一种基于支持向量机状态观测器的新异类故障检测方法。首先,以望远镜驱动系统为对象,介绍该方法的基本原理,并建立通用状态观测器诊断模型;其次,以望远镜运行数据为样本对该方法进行验证。该方法新异类故障检测准确率为94%,耗时为0.047 s;同类反向传播(back propagation,简称BP)、径向基函数(radial basis function,简称RBF)观测器检测准确率为85.5%和58%,耗时为7.628和1.985 s。结果表明:基于支持向量机(support vector machine,简称SVM)状态观测器对望远镜驱动系统新异类故障检测性能明显优于误差反向传播和径向基函数观测器。将该方法实现于故障诊断及自愈半物理仿真平台,证明其工程应用的可行性。     

基于改进证据理论的多传感器信息融合故障诊断

针对传感器信号不确定会产生冲突证据的问题,提出了一种基于改进证据理论的多传感器信息融合故障诊断方法。提出了基于遗传神经网络的原始证据生成方法,利用遗传算法优化神经网络参数,提高网络训练速度;定义了向量空间和方向相似度,利用分类准则函数区分冲突证据和相似证据,通过可信度修正冲突证据,降低了因不确定性产生的冲突对合成结果的影响。通过齿轮泵故障实验验证了改进方法的有效性,改进方法的诊断正确率明显高于单一传感器的诊断正确率,并通过设置适当的阈值提高了方法的灵活性和适用性。     

基于支持向量机算法的光伏阵列故障智能检测方法

针对光伏阵列故障频发但检测困难的问题,提出了较为实用的光伏发电阵列故障检测方法。只需获取光伏电站运行时光伏阵列的输出电压、电流、辐照度和温度等主要特征数据,结合支持向量机(SVM)算法对特征数据建模,模型配合状态决策模块用于电站故障诊断工作。实验结果表明基于SVM的光伏阵列故障诊断方法对故障类型具有很好的识别能力,是一种实用的故障检测方法。     

SVM结合OCSVM诊断模拟电路故障

基于支持向量机(SVM)的故障诊断方法是当前主要的模拟电路故障诊断方法之一,但由传统的二分类SVM组成的故障分类器对新故障模式缺乏处理能力。针对该问题,提出了结合单类支持向量机(OCSVM)和SVM的故障诊断方法。该方法采用OCSVM对故障数据进行检测和初步分类,采用SVM来提高分类性能;最后,采用脉宽调制电路进行故障诊断实验,实验结果说明了所提出的故障诊断方法的有效性。     

基于SVM算法的变压器DGA和故障诊断

油中溶解气体分析(DGA)是评估变压器运行状态和故障诊断的重要指标。现将支持向量机算法(SVM)应用于DGA和故障诊断中,并对比了SVM算法和其他传统算法在故障诊断中的正确率。研究结果表明,传统算法的故障诊断正确率在43%～54%,而优化后的SVM算法正确率为76.77%。超过23%的正确率提升充分证明了SVM算法在故障数据特征识别中的先进性,对变压器运维提供了强力的技术支持。     

改进SVM模型在轴承故障诊断中的应用研究

针对轴承故障诊断中支持向量机(SVM)模型结构自适应性差,导致SVM检测效率不高的问题,提出了基于核主成分分析(KPCA)和蚁群优化支持向量机(PSO-SVM)的轴承故障检测方法.该方法不仅能够利用KPCA选择轴承故障数据重要的非线性特征,确定最佳特征变量数,同时还应用PSO优化SVM训练过程,从而获得结构参数合理且泛化能力良好的轴承故障诊断模型.通过轴承故障实验数据来检验模型,结果表明了所提方法检测性能高于目前常采用的PCA-SVM、KPCA-SVM以及SVM等方法,从而为SVM更好应用于轴承故障诊断提供技术支持.     

基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法研究

针对自动扶梯由于长期处于高员载运行状态而引起主驱动轴轴承故障问题,提出一种基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法。使用集合经验模态分解(EEMD)对轴承异常的振动加速度信号进行分解来提取信号特征,然后基于支持向量机(SVM)构建故障诊断模型对信号进行诊断,从而确定故障状态。     

基于PCA神经网络和D-S决策的瓦斯传感器故障辨识

针对瓦斯传感器故障诊断时,存在提取的样本数据空间维数大、诊断实时性差、诊断结论的识别能力低和存在不确定性的问题,提出了一种基于主元分析(PCA)-神经网络和D-S证据理论集成的故障诊断策略。使用主元分析方法对高维故障样本空间数据进行降维,再结合神经网络分类器进行故障模式识别。并且运用DS证据理论对神经网络分类器的故障诊断结果进行数据融合。仿真实验表明:该诊断方法改善了神经网络对瓦斯传感器故障诊断准确率的同时提高了诊断速度,并且降低了故障结论的不确定性以及提高了结论的识别与决策能力。     

基于声音融合特征与OCSVM的机床故障分类诊断

针对数控机床工作中诊断维护困难的问题,提出一种利用声音融合特征搭配一类支持向量机(OCSVM)的故障诊断和SVM故障分类的方法。首先采集不同工作状态下的数控机床运行音频数据,采用梅尔频率倒谱系数(MFCC)和线性预测倒谱系数(LPCC)方法对数据进行多维特征提取,通过PCA降维归一化后融合特征,最后将处理好的特征进行OCSVM检测是否存在故障,并且识别故障类别。研究采集了数控机床正常工作和9类异常故障音作为数据集开展分析。通过实验证明,基于声音特征融合与OCSVM可以实现对数控机床故障的准确诊断,诊断准确率能达到96.1%,通过SVM能对数控机床故障精准分类,分类准确率能达到93.3%。     

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。     

一种多参数自确认传感器故障诊断方法

提出了多参数自确认传感器概念,给出了多参数自确认传感器的功能模型.故障诊断单元是实现其多参数自确认功能的重要部分,研究了一种基于偏最小二乘法(PLS)和支持向量机(SVM)的多参数自确认传感器故障诊断方法.利用PLS提取多参数自确认传感器已知工作状态数据的主成分,作为表征多参数自确认传感器各种工作状态的状态特征矩阵,并对其进行特征编码;利用状态特征矩阵作为输入,状态特征编码作为目标训练SVM分类机,得到SVM分类机的参数.在故障诊断单元中,利用PLS在线提取多参数自确认传感器测量数据的状态特征矩阵,输入训练完成的SVM分类机进行分类,最终确认多参数自确认传感器的工作状态.实验结果证明了该方法的有效性.     

基于支持向量机和D-S证据理论的机械故障诊断方法研究

提出了应用支持向量机和D-S证据理论进行机械故障诊断的方法,该方法通过构建多个向量机局部诊断器,将核参数作为信号熵值特征样本送入支持向量机。试验结果表明:与只凭借单个传感器的故障诊断相比,多个SVM局部诊断器进行融合得出的新证据可信度高,提高了诊断的可靠性。     

CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断问题,将深度卷积模型(CNN)和D-S证据理论相结合,对多传感器信息进行融合。首先,利用深度卷积模型对多个传感器信息进行自适应特征提取,经softmax进行初步分类。其次,将深度卷积模型的输出结果作为D-S证据理论的输入,计算出基本概率分配,根据Dempster合成法则进行决策融合。为验证此方法对齿轮箱复合故障诊断的有效性,使用BP神经网络与D-S证据理论模型作为对比,并对自适应提取的特征与人工特征进行了主成分分析(PCA)。实验结果表明,利用该方法对齿轮箱复合故障进行实验诊断,准确率达到84.58%。相比单一传感器,正确率提高了7.91%;相比BP神经网络与D-S证据理论模型,正确率提高了6.18%,验证了此方法的有效性。     

基于CS-BBO优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于混沌的生物地理学优化算法(biogeography-based optimization with chaos,简称CS-BBO)和支持向量机(support vector machine,简称SVM)相结合的故障诊断方法。首先,将混沌理论引入到生物地理学优化算法(biogeography-based optimization,简称BBO)中,得到CS-BBO算法;其次,通过CS-BBO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性。结果表明:CS-BBO算法优化SVM的模型可以准确、高效地对汽轮机转子进行故障诊断;与BBO算法优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于多源信息融合的往复式压缩机故障诊断方法

往复式压缩机结构复杂,振动激励源多,故障关联性较强,需要依靠多种类型的传感器所采集的信息来对往复式压缩机故障进行诊断。在融合往复式压缩机多种类型传感器采集的特征信息基础上,提出一种基于多源信息融合的往复式压缩机故障诊断方法,构建信息融合诊断框架。利用往复式压缩机多种类型传感器所采集的数据信息构建特征证据体,使用径向基神经网络对每个证据体进行初步诊断,根据加权证据融合理论融合各个证据体初步诊断结果,得到最终诊断结果。使用提出的方法对往复式压缩机3种工况的试验数据进行融合诊断,诊断结果表明：使用加权证据融合理论融合多源传感器信息的诊断结果可信度高,不确定性小,能够准确对往复式压缩机故障状态进行诊断识别。     

基于加权D—S证据理论信息融合的故障诊断方法及其应用

针对新产品因故障概率数据掌握不充分使其故障诊断较为困难的问题,提出了一种基于加权D—S证据理论多源信息融合的故障诊断方法。该方法采用D-S证据融合,解决了缺乏故障概率分布模型或准确数学分析无效的问题,引入加权Ds证据理论融合方法进行故障诊断,用历史故障估计的正确率作为确定信息源当前检测估计值的置信程度调整,实现了故障诊断的历史数据对当前诊断结果的修正。对新型船舶气象仪故障诊断结果表明,该方法在故障概率和故障经验知识掌握不充分时,实现故障诊断是非常有效的。