支持向量机在轴承故障诊断中的应用

支持向量机是建立在结构风险最小原理^[1]基础上，专门研究小样本情况下的学习规律。本文针对滚动轴承的加速度信号和声音信号的特点，选取识别能力好的时域无量纲指标作为支持向量机的特征矢量，对滚动轴承的四种典型故障进行模式识别。结果表明，支持向量机在滚动轴承故障诊断中有很出色的分类能力。     

基于小波包和支持向量机的液压泵故障诊断

研究基于小波包频带能量的故障诊断方法及其在齿轮泵故障诊断中的应用.论述齿轮泵的典型故障设置及其数据采集.针对齿轮泵实验数据,研究基于小波包和支持向量机的齿轮泵故障诊断方法.实验结果表明:基于小波包一支持向量机的故障诊断方法是有效的,而且可以满足在线实时状态监测与故障诊断的要求.     

基于小波分析和支持向量机的刀具故障诊断

为了有效地进行刀具状态监测,提出了一种基于小波分析和支持向量机相结合的刀具故障诊断方法。首先运用小波包对AE信号进行分解和重构,然后提取各个频带里的信号能量值,将该能量值作为特征参数输入到支持向量机,进行学习训练,完成对刀具磨损状态的有效识别。仿真结果表明该方法是有效的。     

基于近似熵与支持向量机的异步电机故障诊断研究

针对异步电机故障发生率高、故障类别难以有效识别的问题,提出一种基于近似熵与支持向量机的故障诊断方法。通过构造故障再现试验,分别测取4种不同状态类别的多测点振动信号样本。利用近似熵算法计算其近似熵样本值,得到4种不同状态类别的近似熵故障特征向量。结合支持向量机算法,构建支持向量机分类模型。近似熵特征量被划分为训练样本和测试样本,经验证其故障诊断准确率达97.5%,改进BP神经网络诊断方法的准确率为92.5%,结果表明：近似熵结合支持向量机方法具有更高的诊断精度。     

基于支持向量机和遗传算法的刀具故障诊断

提出了把支持向量机和遗传算法结合起来,应用于数控机床的刀具故障监测.应用支持向量机的分类步骤,能够有效地解决小样本问题.利用遗传算法对支持向量机所用核函数的参数进行优化,以致在较短的时间内找到全局最优解.这两种方法的结合是数控机床的刀具诊断的行之有效的方法.     

基于PSO参数优化的支持向量机齿轮箱故障诊断研究

为了解决支持向量机惩罚因子c和核函数g的确定只能依靠先验知识的缺点,提出了基于粒子群优化算法(PSO)的支持向量机参数优化的模型,通过PSO的寻优自动获得最优的支持向量机参数。并运用JZQ250型齿轮箱进行故障诊断,实验表明所提出的模型很好地解决了参数选择问题,使SVM性能有所提升。     

基于特征选择支持向量机的柱塞泵智能诊断

柱塞泵是工程机械的关键部件,其性能好坏将直接影响整个设备的正常工作。针对柱塞泵提出基于特征选择支持向量机的智能诊断方法。对采集的振动信号基于小波包分解提取能量特征,然后利用Fisher准则函数选择对智能诊断最有利的特征,利用支持向量机进行训练,并将每个二类支持向量机按二叉树的组织形式构成系统的诊断模型。以汽车起重机柱塞泵为研究对象,其6种故障形式,包括正常、轴承内圈故障、滚动体故障、柱塞故障、配流盘故障、斜盘故障,用于检验所提算法的诊断能力,并与传统的BP神经网络和最近的蚁群神经网络方法进行对比。诊断结果表明：所提出的算法优于另外两种方法,具有较好的诊断效果。     

基于单值支持向量机的电液伺服阀故障诊断

以液压伺服系统的关键部件———电液伺服阀为研究对象,针对正常运行状态的数据样本较易获得,而故障样本难以获得的情况,应用单值支持向量机,仅仅依靠正常状态下的数据样本,建立起单值分类器,从而对电液伺服阀的运行状态进行识别。并用推广能力估计的方法,实现控制参数的选择。     

改进和声搜索算法优化支持向量机的柴油机故障诊断研究

针对基本和声搜索算法在优化支持向量机参数时,其局部搜索能力不足且后期收敛速度比较慢的缺点,提出利用改进和声搜索算法对支持向量机相关参数进行选择优化(IHS-SVM)的方法。在这一方法中,将原算法中控制参数—记忆库取值概率(HMCR)、微调概率(PAR)和调节宽度(bw)由静态值改进为随迭代次数的不同而进行动态变化。通过对UCI中的2个数据集进行分类正确率测试,并与未优化的支持向量机(SVM)和基本和声算法优化的支持向量机(HS-SVM)测试结果对比,证明了该改进方法的优越性。最后,将其用于柴油机故障诊断,并将分类正确率与未优化SVM和HSSVM分类结果进行比较,进一步说明改进和声搜索算法优化的支持向量机(IHS-SVM)能获得更高的分类结果正确率,即证明了该改进方法的实用性。     

基于支持向量机的灰铸铁强度预测模型

利用高碳当量灰铸铁组织强度试验数据,提出了一种基于支持向量机理论的灰铸铁强度预测模型。与多元线性回归、模糊回归和自适应模糊神经网络相比,该模型学习精度高且具有较好的泛化能力,能取得较好的预测效果。     

基于压力信号分析与特征提取的齿轮泵故障诊断

以压力信号作为特征信息对齿轮泵进行故障诊断,通过压力信号分析,利用平稳小波分解与重构将压力信号的低频波动项与高频脉动项进行了分离,并对低频波动和高频脉动部分的功率谱进行了分析,得到了反映故障状态变化的特征.     

基于敏感度分析与概率神经网络的液压泵故障诊断方法研究

为了提高液压泵故障诊断的速度与准确性,提出了将敏感度分析与概率神经网络相结合的液压泵故障诊断方法。分析了不同状态下振动信号的时域图与频谱图,得出使用传统方法不易对液压泵进行故障诊断的结论。对各种状态下的振动信号提取特征参数,并对所提取特征参数进行敏感度分析。将敏感度高的特征参数以向量的形式输入概率神经网络进行训练和测试。实验表明:概率神经网络能快速、有效的诊断出液压泵的故障,节约诊断时间。将敏感度分析与概率神经网络相结合能提高概率神经网络诊断的正确率。     

频域特征量的故障敏感性实验研究

有效地提取故障特征向量,找到故障敏感因子是进行液压泵故障诊断的关键.采集轴向柱塞泵松靴、滑靴磨损、斜盘磨损以及中心弹簧失效等故障情况下的端盖振动信号,采用合适的信号预处理方法得到有价值的低频信号,从低频信号中提取出频域特征参量,分析频域特征量对每种故障的敏感性,找到各故障的频域敏感因子.为液压泵的故障诊断提供了可靠的敏感特征信息,增加了故障特征信息的完备性,对提高故障诊断系统的故障确诊率具有重要的意义.     

基于孪生网络结构的轴承故障诊断研究

针对轴承故障诊断中故障样本稀缺、深度神经网络模型在小样本条件下存在故障诊断准确度较低的问题,提出将深度神经网络扩展为孪生网络结构的框架,以提高在小样本条件下的故障诊断性能。孪生网络通过权值共享的骨干网络从样本对中提取特征,采用L₁距离判定样本对的特征相似度,实现轴承故障诊断。不同于传统深度神经网络,孪生网络采取输入样本对的方法,在故障数据不足的情况下,可以提高轴承故障诊断性能。分别将不同层数的卷积神经网络(CNN)与长短期记忆网络(LSTM)扩展为孪生网络结构,在实测轴承数据集上进行小样本故障诊断实验。实验结果表明,通过扩展为孪生网络结构可以提高故障诊断结果的准确率,孪生CNN网络比对应的CNN网络准确率平均提高1.08%,孪生LSTM网络比对应的LSTM网络准确率平均提高4.78%。     

基于Elman神经网络的液压泵故障诊断模型研究

针对传统BP网路进行液压泵故障诊断时，网络学习具有收敛速度慢和学习、记忆不稳定的缺陷，提出了将Elman神经网络应用于液压泵故障诊断的新方法，建立了Elman神经网络的应用结构模型，介绍了该网络的训练算法，阐明了液压泵故障诊断的实现过程。通过试验验证了该神经网络收敛速度快，学习记忆稳定，具有很好的学习功能；测试结果表明该诊断方法具有高可靠性，达到了预期的效果，可以用于液压泵故障诊断。     

基于DE-SVM的风电机组高速轴承故障诊断

为减少风电机组传动链故障造成的重大损失和安全隐患,保证机组健康平稳运行,针对风电机组传动链轴承的故障诊断问题,提出一种基于差分进化算法改进支持向量机的故障诊断方法。利用集合经验模态分解方法对原始数据进行处理,提取有效的故障特征,实现信噪分离;采用差分进化算法对支持向量机关键参数进行优化以提高模型的泛化能力和预测精度;利用训练好的模型进行故障诊断。结果表明：所提方法具有准确性和有效性。     

基于马尔可夫模型的滚动轴承声发射故障诊断研究

滚动轴承是转动机械的主要零部件,容易发生各种故障,这些故障会带来一系列安全隐患,并造成一定的经济损失。因此工业生产中滚动轴承故障诊断研究非常重要,具有巨大的用途。以滚动轴承为研究对象,建立滚动轴承声发射实验平台,采集不同缺陷、不同转速滚动轴承声发射信号,根据HMM理论和算法对声发射信号进行数据处理。首先应用MATLAB软件提取数据,进行分帧处理,进而提取特征向量,得出似然概率。将不同缺陷滚动轴承似然概率进行数据拟合,得到似然概率和转速拟合公式。对二种转速不同、已知缺陷滚动轴承声发射信号进行测试,并对某种缺陷滚动轴承声发射信号进行诊断。结果表明,HMM可以有效地对滚动轴承故障进行诊断。     

基于分形盒维数的双跨轴承转子系统故障诊断方法研究

以双跨轴承转子系统为研究对象,针对其状态监测与故障诊断中存在的问题,利用分形盒维数的方法对系统进行分析。通过提取试验台振动信号并计算其分形盒维数实现对系统的故障诊断。结果表明,不同工作状态下的盒维数各不相同,不平衡故障的盒维数最大,碰摩故障的盒维数次之,正常运转时的盒维数最小,盒维数随着计算网格数的增加而减小。该系统以分形盒维数为特征兆量,能够快速准确地对双跨轴承转子系统进行状态监测与故障诊断,具有一定的应用价值。     

基于改进贝叶斯分类的电机轴承故障诊断系统研究

针对电机轴承故障诊断模型构建时间长、准确率不高的问题,提出一种基于改进贝叶斯分类的故障诊断方法。首先通过小波包变化、粗糙集及主成分分析方法分别构造原始故障特征集、降维后的故障特征集,再将原始故障特征集和降维后的故障特征集输入到改进贝叶斯分类模型中实现故障诊断,以此为基础设计一套交流发电机轴承故障诊断系统。最后以国内车辆车载电机轴承振动数据为依据,将改进贝叶斯分类方法和神经网络及最小二乘支持向量机方法作对比分析,结果表明：改进贝叶斯分类方法建模时间更短,故障诊断准确率更高。