基于多尺度均值排列熵和参数优化支持向量机的轴承故障诊断

针对滚动轴承故障诊断中特征提取困难和模式识别准确率低等问题,提出了一种基于多尺度均值排列熵(MMPE)和灰狼优化支持向量机(GWO-SVM)结合的故障诊断方法。利用MMPE全面表征滚动轴承故障特征信息,选取适当维数特征构成样本数据集,采用GWO-SVM分类器进行故障模式识别。对所提基于MMPE和GWO-SVM故障诊断方法进行理论分析和研究,并利用滚动轴承试验数据进行相应对比试验分析,结果表明:MMPE能够有效提取滚动轴承故障特征信息;GWO-SVM识别准确率和识别速度优于滚动轴承故障诊断其它常用参数优化支持向量机;所提方法能够有效识别滚动轴承故障位置和故障程度,在滚动轴承数据集上取得了98.0%的故障识别准确率,高于基于MPE和GWO-SVM方法的97.0%准确率,并且在噪声背景下取得了93.5%的识别准确率,优于后者83.0%准确率,证明了所提MMPE具有更好的噪声鲁棒性。     

基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。     

基于ITD复杂度和PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出了一种基于固有时间尺度分解(ITD)、Lempel-Ziv复杂度特征和粒子群优化支持向量机(PSO-SVM)的故障诊断新方法。首先对滚动轴承的振动信号使用ITD方法进行分解,得到若干个频率由高到低的固有旋转(PR)分量,由于滚动轴承在不同的故障状态下的PR分量Lempel-Ziv复杂度的分布不同,提取各PR分量的Lempel-Ziv复杂度值作为每个样本的特征向量,使用支持向量机(SVM)对轴承振动信号样本进行故障类型的识别,并用粒子群优化(PSO)方法对支持向量机的参数优化以获得较高的识别准确率。对滚动轴承振动信号的实测结果的分析表明:该方法可以实现对滚动轴承快速、准确地诊断,且不受载荷变化的影响。     

基于深度学习特征提取和WOA-SVM状态识别的轴承故障诊断

针对滚动轴承故障诊断问题,利用深度学习神经网络、鲸鱼优化算法(WOA)和支持向量机(SVM)等技术,提出了一种基于深度学习特征提取和WOA-SVM状态识别相结合的故障诊断模型。先通过深度学习自适应提取故障频谱特征,并将其与数理统计方法提取的时域特征相融合,再通过WOA-SVM对融合后的联合特征进行故障诊断。该模型在对滚动轴承试验台的故障诊断中实现了不同工况下多种故障类型的可靠识别,并且在一定程度上提高了故障分类的准确性。为了验证WOA-SVM在深度学习提取特征的轴承故障识别中的可行性和有效性,对比了粒子群支持向量机和遗传支持向量机,结果表明WOA-SVM具有较高的收敛精度和收敛速度。     

基于ICA和SVM的滚动轴承声发射故障诊断技术

以滚动轴承为研究对象,提出了应用独立分量分析(ICA)和支持向量机(SVM)相结合进行滚动轴承故障诊断的方法.首先,对声发射信号(AE)进行自相关预处理,突出声发射信号的非高斯成分,使AE信号较好地满足独立分量分析的前提条件.然后,应用独立分量快速算法分离故障轴承的声发射信号,提取其状态特征向量,利用支持向量机的模式识别和非线性回归功能来完成滚动轴承故障的识别.试验结果表明,利用独立分量分析方法提取的故障状态特征向量与支持向量机相结合可以有效、准确地识别滚动轴承的故障模式,为滚动轴承故障诊断提供了一种新型的方法.     

基于谱质心直方图-SVM的滚动轴承故障诊断

轴承早期故障信号的信噪比较低,较难识别。为提高轴承早期故障诊断的准确率,分析了现有方法和视觉信息处理方式的相似点,从视觉信息处理的角度进行研究,提出一种基于谱质心直方图的滚动轴承故障特征提取方法,将所提出方法用于滚动轴承不同运行状态下的故障特征提取,将所提取特征作为支持向量机的输入特征向量从而实现对滚动轴承不同运行状态的智能分类。实验证明,谱质心直方图提高了轴承早期故障诊断准确率,准确率平均提高了2 %,优于Mel频率倒谱系数特征。     

基于集合经验模态分解的滚动轴承智能故障诊断方法

针对滚动轴承工作环境中含有强烈的环境噪声,其振动信号具有非平稳、非线性特征以及提取特征困难等问题,本文提出一种基于集合经验模态分解(EEMD)的滚动轴承智能故障诊断方法.首先通过卷积神经网络(CNN)提取振动信号关键特征,并将提取到的特征向量输入到支持向量机(SVM)中进行故障识别与分类.为了提高诊断性能,本文利用集合...     

基于特征优选和GA-SVM的滚动轴承智能评估方法

针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状...     

基于量子遗传算法优化RVM的滚动轴承智能故障诊断

提出了基于量子遗传算法(QGA)优化相关向量机(RVM)核函数参数的方法,通过仿真比较了量子遗传算法与其它方法在核函数参数优化方面的性能,结果表明基于量子遗传算法优化出的算法性能优于其它方法的优化性能。将基于量子遗传算法优化的相关向量机(QGA-RVM)应用于滚动轴承的故障诊断;采用总体平均经验模态分解(EEMD)将滚动轴承故障信号自适应地分解成多个内禀模态函数(IMF),将IMF能量作为故障特征输入到QGA-RVM进行最终的故障诊断。结果表明,该方法能够快速准确地诊断出滚动轴承故障,验证了该方法的有效性和稳定性;此外,通过与支持向量机(SVM)的对比分析,显示了RVM在智能故障诊断应用中的优越性。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于半监督邻域自适应正交判别投影的转子故障诊断

针对故障特征集维数过高导致故障难以辨识的问题,提出一种基于半监督邻域自适应正交判别投影(SSNA-ODP)的转子故障诊断方法。提取原始振动信号的时域、频域、时频域特征构造混合域特征集;利用SSNA-ODP方法对混合域特征集进行维数约简,提取出有利于实施分类的低维特征子集;输入到支持向量机(SVM)中进行模式识别。典型故障数据样本的应用验证情况表明,该方法能够改善ODP方法在有标记样本较少时的泛化能力和使用全局统一邻域参数的数据流形特征,从而有效提高了故障识别的准确率。     

基于支持向量机的模拟电路软故障诊断

提出了基于支持向量机的模拟电路软故障诊断新方法.该方法提取电路的频域响应为故障特征,利用支持向量机对故障进行识别分类.支持向量机具有结构简单、泛化能力强的特点,对小样本分类具有良好的识别效果.以Sallen-Key滤波电路为诊断例,实验结果表明该方法故障诊断准确率大于99%.     

基于EMD-SVD模型和SVM滚动轴承故障模式识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、奇异值分解、Renyi熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再对所选分量重构相空间得到吸引子轨道矩阵;对矩阵进行奇异值分解求取奇异值,再计算这些奇异值的Renyi熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的故障类型。最后,利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法

多尺度熵是一种有效衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入精细复合多尺度熵(Refined composite multiscale entropy, RCMSE),在此基础上,结合自编码降维和遗传优化支持向量机,提出一种滚动轴承故障智能诊断新方法。首先,利用RCMSE提取滚动轴承振动信号多尺度复杂度特征,构建初始特征向量矩阵;其次,采用自编码对初始高维特征数据降维,得到低维流形特征;然后,将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后,将所提方法应用于实验数据分析,并与多尺度熵方法进行对比,结果表明,该方法不仅能够有效诊断滚动轴承的工作状态和故障类型,而且识别率高于所对比方法。     

基于VMD能量熵与优化支持向量机的轴承故障诊断

滚动轴承早期故障信号比较微弱,且受噪声与振动耦合影响,导致其故障判别失准。基于变分模态分解算法(VMD)与能量熵结合构建多模态特征矩阵,以灰狼算法(GWO)优化支持向量机(SVM)参数,提出VMD-Entropy-OSVM轴承智能故障诊断,采用轴承实验数据验证所提方法的有效性与优越性。实验结果表明:VMD-Entropy-OSVM不仅可识别轴承损伤末期的不同故障类型,且在识别损伤初期亦有较高准确度;在信噪比为8dB下准确率高达99.8%,比现有方法提高3.3%～27.3%;当信噪比为0dB下仍有73.5%的准确度,比现有方法提高11%～33%,该模型表现出良好的泛化性能;在相同计算资源下,所需运行时间更短,效率更高。     

结合SVM和改进证据理论的多信息融合故障诊断

为了综合合理利用设备多个方面特征信息来提高故障诊断的准确性,提出一种结合支持向量机(Support vector machine,SVM)和改进证据理论的多信息融合故障诊断方法。该方法通过混淆矩阵获取各SVM局部诊断证据对各故障模式的可靠度,赋予不同的权重系数,并对由各SVM局部诊断硬输出判决矩阵构造出的基本概率分配进行加权处理,从而实现SVM和改进证据理论在多信息融合故障诊断中的有效结合。实验结果表明,各SVM局部诊断证据的加权融合处理能够显著降低各局部诊断间的冲突,所提方法可以有效提高故障诊断的准确率。     

基于DEMD和模糊熵的滚动轴承故障诊断方法研究

提出一种基于微分的经验模式分解(DEMD)模糊熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。首先对信号进行基于微分的经验模式分解,得到若干具有物理意义的本征模函数(IMF)分量,再利用相关度准则对固有模式分量进行筛选,计算所选分量的模糊熵,组成故障特征向量,然后将其作为支持向量机的输入来识别滚动轴承的状态。并将该方法与基于EMD模糊熵和SVM相结合的方法进行比较,实验结果表明该方法对机械故障信号能够更有效准确地进行识别分类。     

基于SVM-DS证据理论融合决策的故障诊断方法

针对复杂工况下单传感器对于装备故障诊断识别率低、证据缺乏、数据冗余等问题，提出一种基于支持向量机(Support Vector Machine,SVM)结合D-S证据理论的多维度特征数据融合决策故障诊断方法。首先，通过多种方法提取特征构建SVM分类器，对故障类型进行初步分类；然后，将Sigmoid函数作为传递函数，利用SVM分类器对测试数据进行分类，获取测试样本的后验概率并得到测试样本的混淆矩阵；最后，根据混淆矩阵求出局部可信度与全局可信度，并与后验概率相结合实现基本概率分配函数赋值，通过融合计算得到最终诊断结果。实验结果表明，融合后的分类器模型对内圈故障类型分类准确率达100%，对正常和滚珠类型分类准确率为95%，对外圈故障分类准确率为90%。采取多特征融合诊断相较于单一方法有较高准确率和鲁棒性，可有效降低单一特征提取所带来的不稳定性。