基于经验模式分解和最小二乘支持矢量机的滚动轴承故障诊断

为了有效提取设备状态信息,提出一种Renyi熵复杂性测度下的经验模式分解(Empirical mode decomposition,EMD)和最小二乘支持矢量机(Least square support vector machine,LS-SVM)的故障诊断方法.该方法先对振动信号进行EMD分解,得到多个基本模式分量(Intrinsic mode function,IMF)后,求出表征故障信息的若干个IMF的Renyi熵,再将其作为特征矢量输入LS-SVM进行故障分类.一个滚动轴承故障诊断实例说明该种方法的有效性.     

基于支持向量机的车用燃料电池系统故障诊断

为了提高车用燃料电池系统的安全可靠性和可维护性,考虑到其大量完整的故障样本难以获取,提出了一种基于二叉树多分类器的支持向量机故障诊断方法.首先,以自主研发的60 kW车用燃料电池系统为研究对象,分析了其故障机理和特征;然后,融合15种故障征兆参数并进行归一化预处理作为支持向量机的输入,以14种典型故障作为输出,选取径向基核函数并利用粒子群优化算法对支持向量机的惩罚参数和核函数参数进行优化,利用310组样本数据对其进行训练,通过90组测试样本测试实现了其典型故障的识别;最后,将支持向量机和神经网络分别在不同训练样本数下的故障诊断性能进行了对比.仿真结果表明,支持向量机具有较好的故障正判率和泛化能力,可有效用于车用燃料电池系统的多故障诊断.     

基于信息熵和α稳定分布的滚动轴承故障诊断方法

为了更快、更准确的对滚动轴承的故障状态进行诊断,提出了一种结合信息熵(information entro-py,IE)和α稳定分布(alpha stable distribution,ASD)参数的特征融合方法IE-ASD,基于振动信号对滚动轴承进行故障诊断.首先提取振动信号的时域、频域和时-频域的四种IE(奇异谱熵、...     

改进粒子群算法优化的支持向量机在滚动轴承故障诊断中的应用

针对惩罚因子C和核参数g选择不当造成支持向量机(SVM)分类效果不理想的问题,在基本粒子群(PSO)算法基础上引入动态惯性权重、全局邻域搜索、种群收缩因子、粒子变异概率等操作,提出了一种新的改进型粒子群(IPSO)算法优化SVM参数的分类器。采用Libsvm工具箱中的公共数据集BreastTissue,Heart和Wine来测试其分类效果,结果表明IPSO-SVM分类器在预测精度和分类时间上明显优于SVM和PSO-SVM分类器。然后将其应用于滚动轴承的二分类问题和多分类问题的故障诊断中,仿真实验证明IPSOSVM分类器能显著提高全局收敛能力和收敛速度,可得到理想的分类结果。最后,用IPSO-SVM分类器对实际轴承进行故障诊断,结果验证了其拥有良好的分类稳定性,值得进一步在工程领域内推广。     

多尺度柔性形态滤波在轴承故障诊断中的应用

针对经典的形态学滤波在取单一结构元素的情况下存在缺陷的问题,提出了一种基于多尺度柔性形态滤波的轴承振动信号滤波方法。多尺度柔性数学形态学在保留柔性形态学好的鲁棒性、滤除正负噪声和保留细节等优点的同时,进一步对其结构元素进行改进,以期获得更好的脉冲提取性能。将多尺度柔性形态滤波应用于轴承故障诊断,结果表明,其比经典的柔性形态滤波能更好地保留振动信号中的冲击脉冲,为轴承故障的进一步诊断打下基础。     

基于IGRSSA与IPSO-SVM的滚动轴承故障诊断方法

为提高滚动轴承故障诊断的准确性,提出基于信息增益比的奇异谱分析(IGRSSA)与改进粒子群算法优化支持向量机(IPSO-SVM)的诊断模型.首先,引入信息增益比实现信号自适应重构;其次,采用动态惯性权重和梯度信息对粒子群算法进行改进并用于优化支持向量机;然后,用IGRSSA对滚动轴承外圈故障、钢球故障和正常3种状态的振...     

基于遗传算法和支持矢量机参数优化的制冷机组故障检测与诊断研究

针对制冷机组故障诊断中特征多、诊断准确率低的特点,提出一种复合诊断模型,利用遗传算法搜索特征空间,与带参数优化的支持矢量机(Support vector machine,SVM)结合,同时进行故障特征提取和模型训练。用该模型研究7种典型的制冷机组故障,从64个原始特征中筛选出8个与试验辅助系统关系甚微、均十分靠近核心制冷循环的特征,作为故障指示特征,总体诊断准确率从96.95%提高到99.53%,测试时间下降70%以上。用命中率和虚警率评价模型对各故障的诊断性能,所提复合模型除个别故障外,均优于无特征提取及带主元分析特征提取的SVM模型。复合模型在制冷机组故障诊断中有良好的应用前景。     

基于支持向量机的滚动轴承故障诊断研究

在分析支持向量机多分类算法和滚动轴承故障诊断特征向量的基础上,建立了基于支持向量机的滚动轴承故障诊断模型,并对模型进行了鲁棒性研究.对建立的数学模型进行了试验验证,结果表明,建立的诊断模型对轴承故障诊断具有良好的诊断效果.     

基于支持向量机的航空发动机故障诊断

支持向量机学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在有限样本的学习中显示出优异的性能。本文将这一新的统计学习方法应用到航空发动机故障诊断的研究中,并通过某型航空发动机故障诊断的实验结果表明了本文方法的有效性。     

基于SVM的航空发动机滚动轴承故障诊断技术研究

滚动轴承是航空发动机中应用非常广泛的一种通用机械部件,本文提出了基于支持向量机的航空发动机轴承故障诊断模型,并且通过实证研究,证明了该方法在航空发动机故障诊断的优越性。     

基于支持矢量聚类的机械故障诊断

针对无监督的支持矢量聚类方法由于样本类别数量未知带来的模型参数难以选择的问题,提出有监督的支持矢量聚类方法,并应用到机械故障诊断中.该方法首先以聚类区域个数及支持矢量个数作为模型参数的选择准则,以支持矢量为核估计样本分布的概率密度,并根据概率密度估计值选择不同聚类区域的类别代表样本,而后引入k近邻法实现对不同故障的分类.对测试样本的分类结果表明了该方法的有效性.     

基于SVM和噪声分析的汽车发动机故障快速诊断方法研究

汽车发动机是一个核心部件,其性能的好坏对汽车的安全性、生产效率构成直接影响,在总结其他各类故障诊断方法的基础上,提出了基于SVM和噪声分析的发动机故障诊断技术并做一些试验性研究,认为该方法可用于前期诊断,并能简单快速发现故障。     

一种基于支持向量机预测器模型的转子系统故障诊断方法

提出了一种基于支持向量机回归预测模型的转子系统故障诊断方法。分别对转子系统振动信号建立支持向量机回归预测模型，利用回归预测模型对振动测试信号进行预测，计算各支持向量机回归预测模型的预测信号与真实信号的误差并计算信噪比，通过比较各预测信号的信噪比来判断转子系统的工作状态和故障类型。实验结果表明，该方法能够有效地应用于转子系统的故障诊断。     

电机故障诊断支持向量机

基于数据的机器学习是现代智能技术中的重要方面。统计学习理论(Statistical learnmgtheory SLT)是研究小样本情况下机器学习规律的新理论。支持向量机(Support vector machine SVM)是在这一理论体系基础上发展起来的一种通用学习方法。SLT和SVM正成为继神经网络研究之后新的研究热点。通过对鼠笼式异步电动机转子断条故障进行实验模拟，对实验获取的采样电流信号经FFT分析，构造以低频到高频的频谱特性为分量的学习样本向量，通过支持向量机SVM对故障电流样本的训练，使SVM具有分类功能。最后，采用SVM对电动机各种转子断条故障进行诊断分类，取得较满意的结果，说明支持向量机SVM是进行故障诊断的一种新方法。     

基于HMM-SVM的故障诊断模型及应用

针对直升机减速器故障诊断中机器学习方法存在的问题，根据隐马尔可夫模型（HMM）适合于处理连续动态信号与支持向量机（SVM）适合于模式分类的长处，提出了基于HMMSVM串联结构的故障诊断模型。通过从减速箱振动信号中有效提取AR特征，利用HMM汁算未知信号与减速器各状态的匹配程度，形成特征向量提供给SVM最后判别，实验结果表明该方法优于单纯的HMM或SVM诊断方法，能利用少量训练样本有效地完成直升机减速器的故障诊断。     

基于多重分形与SVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳性和非线性,提出一种多重分形和支持向量机相结合的故障诊断方法。运用多重分形理论方法对齿轮振动信号进行分析,通过分析发现多重分形谱和广义维数作为故障特征能够很好地反映齿轮箱的工作状态;对支持向量机的参数利用粒子群优化算法进行优化,并将齿轮箱振动信号的多重分形特征量作为支持向量机的输入参数以识别齿轮的故障类型。实验结果表明,该方法在样本较小的情况下能够准确对齿轮箱的故障类型进行分类。