一种基于小波包变换和监督NPE的滚动轴承故障诊断方法

为提高滚动轴承故障诊断的性能,结合故障敏感特征的选择,提出了一种基于小波包变换(WPT)和监督NPE的滚动轴承故障诊断模型。首先,WPT对原始振动信号进行处理,利用终端节点的单支重构信号得到多域统计特征,构成原始特征集。然后,为减少特征集中的冗余信息和干扰特征,提出一种基于朴素贝叶斯的故障敏感特征选择方法(FSNB)。为了进一步降低冗余信息和运算复杂度,提出一种基于类别标签的监督邻域保持嵌入(SNPEL)方法,实现对高维特征集的低维表示。最后,利用K近邻(KNN)算法实现滚动轴承的故障诊断。采用12种轴承故障数据来验证提出的故障诊断模型的性能,结果表明,提出的模型可以实现较高的故障诊断准确度和较好的适应性。     

基于支持向量机的往复泵泵阀故障诊断方法

提出一种基于支持向量机的往复泵泵阀故障诊断方法。该方法将泵阀振动信号的小波包变换系数作为特征向量，输入到由多个支持向量机构造的一个多值分类器中进行故障模式分类。试验结果表明，该方法不仅可以对发生故障的单个泵阀进行诊断，而且还能对同时发生故障的多个泵阀进行诊断。与常用的人工神经网络方法比较，该诊断方法具有更好的有效性、鲁棒性和推广性，在机械设备故障诊断中有很好的应用前景。     

基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。     

基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

基于矩不变量与SVM的滚动轴承故障诊断

针对滚动轴承故障识别问题,提出了基于矩不变量和支持向量机的智能诊断方法。该方法采用连续小波变换对滚动轴承信号进行分析,然后提取出小波灰度图的7个矩不变量作为故障特征,最后将特征向量输入到支持向量机中,以实现对不同的滚动轴承故障类型的识别。试验结果表明,该方法能有效地提取故障特征,同时可获得较好的分类效果。     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

基于EMD与多特征的支持向量机故障诊断

针对齿轮振动信号的非线性、非平稳性与故障分类识别率低的问题,提出了一种基于EMD(经验模态分解)与多特征的支持向量机(SVM)故障诊断方法。该方法首先将采集到的信号进行小波包降噪;然后提取降噪后信号的各项时域参数指标;同时,将降噪信号经过EMD运算并提取以互相关准则选取的各本征模式分量(IMF)的能量指标;最后,将两部分特征向量组合后作为SVM的输入进行训练与预测。实验结果表明,该方法对于齿轮状态具有很好的分类精确度,能很好地应用于齿轮的故障诊断。     

基于改进阈值小波和支持向量机的低速重载滚动轴承故障诊断的研究

提出了将小波分析与支持向量机结合用于低速滚动轴承故障诊断的方法。首先在实验台上进行轴承各种故障信号的样本采集,利用改进后的小波阈值法对信号进行去噪,将降噪后的振动信号经过小波包分解后的频带能量作为特征向量,并以此作为训练样本,对多个支持向量机构成的多故障分类器进行训练,进而实现智能诊断。结果表明,比起传统阈值法小波去噪,结合后的方法有较好的诊断效果。     

改进ReliefF算法在水泥工艺故障诊断中的应用

针对ReliefF算法在迭代过程中受样本选取随机性、随机样本可能带有干扰及类别先验概率等因素影响较大的问题,提出了一种无需类别先验概率,且可以在所有类别的样本核心圈进行迭代的改进ReliefF算法。在标准数据集上的试验结果表明,改进ReliefF算法克服了传统ReliefF算法容易受迭代次数、最近邻样本数影响的问题,且算法的特征选择结果稳定,在选取特征维数相同的情况下,改进ReliefF算法选取特征的分类效果较传统ReliefF算法也有所提高。最后,将改进ReliefF算法运用于水泥工艺故障诊断,运用该算法提取故障特征,以支持向量机作为分类器,实现了故障的准确识别。     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

基于EMD和球结构SVM的滚动轴承故障诊断

提出了一种基于经验模式分解(Emprical Mode Decomposition,简称EMD)和球结构支持向量机的滚动轴承故障诊断方法.该方法以EMD的能量特征向量作为输入来建立球结构支持向量机分类器,识别滚动轴承的故障类型,通过麦克斯韦的三角平面坐标色度图方法进行可视化验证,并且与小波包能量特征向量作为输入的球结构支持向量机诊断方法进行比较.结果表明,用EMD能量法作预处理更能准确地提取故障特征量,有更高的故障识别率.     

基于小波包能量谱和NPE的模拟电路故障诊断

提出采用小波包能量谱和邻域保持嵌入作为预处理实行特征提取的模拟电路故障诊断方法。该方法对采集到的故障响应信号进行小波包分解,将不同频带内的能量作为故障特征值,然后利用邻域保持嵌入算法进一步提取故障特征,最后将所得到的最优故障特征输入支持向量机进行故障诊断。仿真结果表明,提出的故障特征提取方法能很好地反映故障响应信号的本质特征,不仅表现出了比其他特征提取方法更好的性能,而且最后的故障诊断中也获得了令人满意的结果。     

基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法研究

针对滚动轴承故障诊断中特征向量难以提取与支持向量机结构参数选取依据经验的问题,提出了基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法。首先,采用小波包对采集的滚动轴承各状态下的信号进行分解,获取表征信号局部特征的各节点系数,在此基础上构建各节点系数矩阵并进行奇异值分解,来获取特征向量进而将其作为故障诊断模型的输入;其次,利用遗传算法(GA)优化支持向量机(SVM)的惩罚系数和高斯核系数两个结构参数;最后,将上述特征向量作为输入,建立GA优化SVM的故障诊断模型,实现滚动轴承的状态辨识。实验结果表明,与BP、SVM、PSOSVM相比,基于小波包与奇异值分解的GA优化SVM滚动轴承故障诊断方法具有更高的分类精度,能够提高滚动轴承状态辨识的效果。     

基于WPD-HHT的滚动轴承故障诊断

在分析小波包分解(WPD)和HilbertHuang变换(HHT)的基础上,通过将WPD和HHT相结合,引进了一种故障诊断方法(WPDHHT)。仿真和实验表明,此方法能有效提取周期性脉冲成分并抑制噪声。     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

基于DE-SVM的柴油机气门故障诊断方法及应用

针对柴油机故障诊断样本少的实际问题,结合支持向量机的特性和微分进化算法良好的全局优化性能,提出了一种微分进化算法优化支持向量机方法.利用柴油机气门振动信号实测数据,经小波变换作为诊断模型的故障特征,建立了基于微分进化算法优化支持向量机的柴油机气门间隙故障诊断模型,并与反向传播神经网络算法、基于遗传算法优化支持向量机和基于粒子群优化支持向量机的模型相比较,结果表明:应用微分进化算法优化支持向量机比其他三种算法具有更优性能,能够有效地进行柴油机的故障诊断.     

基于改进HHT能量熵和SVM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳性以及故障诊断过程中试验样本总量少的特点,提出一种基于改进希尔伯特-黄变换能量熵和支持向量机相结合的滚动轴承故障诊断方法。首先,利用改进经验模态将不同状态下滚动轴承的振动信号分解成一系列固有模态函数,并采用敏感模态函数判别算法找出对故障信息敏感的固有模态函数;其次,将敏感模态函数分量的能量熵作为输入建立支持向量机;最后,利用支持向量机对滚动轴承的工作状态和故障类型进行识别。试验结果表明,该方法可有效应用于滚动轴承的故障诊断,为该类信号的故障诊断提供了一种切实可行的方法。     

基于小波包和支持向量机的齿轮故障诊断

提出了一种基于小波包和支持向量机的齿轮故障诊断方法,并介绍了该方法的原理和算法。利用获得的矿井提升机减速箱齿轮数据建立了多级故障分类器,通过对样本的分类输出检验,验证了该故障诊断方法的可行性。     

基于EMD分解与小波包的滚动轴承故障诊断

针对滚动轴承故障信号分析中的问题,提出了将Hilbert-Huang变换和小波包分析相结合的滚动轴承故障诊断新方法,实测信号分析表明,该方法能有效地对滚动轴承故障信号进行检测.