基于AR模型和支持向量机的故障诊断法

提出了一种基于时间序列AR模型和支持向量机的故障诊断方法。首先利用AR模型对振动信号进行建模,然后将AR模型自回归系数组成的特征向量输入到支持向量机,最后支持向量机完成对不同工况的分类识别。测试系统采用LabVIEW虚拟仪器构建,并通过计算机自动完成测试和分析。实验结果表明:这种基于时间序列AR模型和支持向量机的故障诊断方法是可行的。     

基于最小二乘支持向量机的电力变压器故障诊断

文章提出使用最小二乘支持向量机(LS-SVM)作为分层决策电力变压器故障诊断模型.首先根据DGA技术以及相关统计分析,选择典型油中故障气体的相对含量作为特征量,然后利用数值预处理后得到的数据样本分别对四级最小支持向量机分类器进行训练和识别,并最后判断输出变压器所处的状态,且针对最小二乘支持向量机存在的参数选择问题,使用了多层动态自适应优化算法来优化最小二乘支持向量机参数.仿真结果表明LS-SVM是一种较为有效的非线性建模方法,具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求.     

基于图建模特征提取的滚动轴承故障诊断

针对滚动轴承运行过程中的早期故障检测与诊断,提出了一种基于图建模特征提取的滚动轴承故障诊断方法.首先,结合短时傅里叶变换与图谱理论对信号进行图建模;其次,通过随机幂鞅对故障进行检测,计算邻接矩阵熵值并将其作为特征向量训练支持向量机;最后,结合支持向量机对故障进行诊断.分别采用2个数据库对本方法进行故障检测与诊断验证,实...     

基于改进多尺度散布熵与自适应支持向量机的滚动轴承故障诊断

针对滚动轴承故障特征提取和识别困难等问题,提出一种基于改进多尺度散布熵与自适应支持向量机的滚动轴承故障诊断新模型。精细时移多尺度散布熵(RTSMDE)采用精细化运算和时移粗粒化方式,能够有效克服传统多尺度散布熵存在的熵值不稳定现象,因此采用RTSMDE全方面挖掘滚动轴承故障特征并输入哈里斯鹰优化支持向量机(HHOSVM)进行智能故障诊断。试验结果表明：RTSMDE在衡量非线性时间序列复杂度和挖掘故障特征信息方面优于精细复合多尺度散布熵和多尺度散布熵等方法,HHOSVM在故障识别方面优于支持向量机和灰狼优化支持向量机等分类器,所提故障诊断模型能够有效、准确地识别轴承运行状态。     

基于免疫算法优化最小二乘支持向量机的压器故障诊断

由于支持向量机中的参数会显著影响着支持向量机分类的精确度,建立了一种基于免疫算法优化最小二乘支持向量机的电力变压器故障诊断模型;该模型以变压器油中主要溶解气体作为向量机的输入,以变压器故障类型作为其相应的输出,选用径向基核、使用免疫算法得到优化参数,充分发挥向量机较高泛化能力的优势.实例验证表明,这种方法能提高变压器的故障诊断准确率,反映了其有效性和正确性.     

一种基于SVR的发动机多模式故障诊断方法

针对传统基于支持向量分类机(SVC)的发动机多模式故障诊断方法需要多个二类分类器的问题,提出了一种基于支持向量回归机(SVR)的多模式故障诊断方法。该方法首先应用归一化的故障数据样本和一个支持向量回归机构建一个发动机故障诊断回归模型,再对支持向量回归机的输出结果进行基于距离的聚类操作得到发动机的故障模式,诊断模型的参数向量采用一种基于Tent混沌映射的量子粒子群优化算法及样本测试集的均方根误差与平均相对误差同时最小的准则进行整定。实验结果表明,所提出的方法能够克服常规支持向量分类机多模式故障诊断方法需要多个二类分类器的缺陷,降低了建模的时间复杂度,有效地提高了发动机的故障诊断性能。     

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.     

基于支持向量机的水电机组故障诊断研究

针对水电机组故障信息缺乏、故障识别困难等问题,提出基于支持向量机的水电机组故障诊断模型。并针对实测水电机组故障数据,分析支持向量机水电机组故障诊断模型和常用的神经网络故障诊断模型等理论在水电机组故障诊断中的优劣。研究表明,支持向量机理论在小样本情况下比神经网络具有更强的诊断能力。     

基于AVMD与SMA-SVM的滚动轴承故障诊断

现实工程中难以获得大量轴承故障样本,因此大多采用支持向量机进行分类,而传统的智能优化算法优化支持向量机,容易陷入局部最优解,寻优时间长,并且需要人为干预。本文提出了一种自适应变分模态分解（adaptive variational modal decomposition,AVMD）与黏菌算法(slime mould algorithm,SMA),对支持向量机（support vector machine,SVM）进行智能优化的故障诊断方法,用更合理的惩罚参数与核参数使构建的SMA-SVM模型对小样本数据进行快速准确分类。该方法首先利用AVMD方法对故障信号进行分解,然后计算各IMF分量的样本熵作为特征向量,最后将特征向量输入到所提出的SMA-SVM模型中进行故障识别。并将其与以往传统的优化算法,如遗传算法、粒子群算法的优化支持向量机等故障诊断方式相比较。结果表明,所提出的故障识别方法准确率高,并且缩短了寻优时间,相较于其他方法展现了其优越性,该方法可有效用于轴承的故障诊断。     

支持向量机在高压电力计量系统故障诊断中的应用

将支持向量机应用于高压电力计量系统故障诊断中。对计量系统的运行参数提取故障信息作为网络的输入值,以4位二进制数表示正常情况和9种主要故障类型,用采集得到的样本对网络进行训练,并选取4种故障类型进行网络测试,结果表明,支持向量机模型对高压电力计量系统故障有很好的辨识和诊断效果。     

基于小波包分解与DAG SVM的柱塞泵故障诊断

针对柱塞泵检测诊断中故障特征模糊、成因复杂、难以准确定位的问题,结合决策树与支持向量机提出一种基于小波包分解与DAG SVM的柱塞泵故障诊断方法。该方法预先对所用C SVM和RBF核函数的参数进行优化,而后采用db5小波包对泵体振动信号进行三层分解以提取特征向量,将特征向量输入支持向量机完成其训练及模式识别过程。同时设计了柱塞泵故障诊断的一体化装置,通过模拟不同故障,利用已知故障样本完成支持向量机的训练过程,进而对待测样本进行故障模式识别。诊断结果与样本已知状态相符,验证了该方法的准确性。     

基于GMKL-SVM的模拟电路故障诊断方法

提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。     

基于支持向量机决策树的航空发动机轴心轨迹识别方法

针对航空发动机转子轴心轨迹难以准确自动识别的问题,提出了基于二维形状不变矩和支持向量机（SVM）决策树的识别方法。对信号滤波降噪和倍频提纯,形成比较清晰的轴心轨迹;利用二维形状不变矩提取轴心轨迹的图形特征,得到不变矩特征向量,进而构造特征故障的训练和测试样本;采用SVM进行训练和学习,构造SVM决策树,识别故障类别,分类正确率达93.3%以上。应用实测弹支振动应力信号对该方法的准确性进行了验证,结果表明,该方法有效地解决了航空发动机转子轴心轨迹自动识别准确率低和小样本问题。     

一种基于主成分分析和支持向量机的发动机故障诊断方法

提出一种新型的基于主成分分析（PCA）和支持向量机（SVM）的故障诊断方法。首先提取振动信号的多项时域指标,并利用小波包分解提取频域特征;再利用PCA从提取的时域、频域特征中选取敏感特征,实现降维处理,减小数据处理复杂度;最后利用SVM进行特征子集的训练和测试,实现故障分离。该方法在柴油机的失火、撞缸、小头瓦磨损等典型实际故障中的诊断准确率高达98%,证实了该方法的有效性。     

Intelligent diagnosis of short hydraulic signal based on improved EEMD and SVM with few low-dimensional training samples

The high accurate classification ability of an intelligent diagnosis method often needs a large amount of training samples with high-dimensional eigenvectors, however the characteristics of the signal need to be extracted accurately. Although the existing EMD(empirical mode decomposition) and EEMD(ensemble empirical mode decomposition) are suitable for processing non-stationary and non-linear signals, but when a short signal, such as a hydraulic impact signal, is concerned, their decomposition accuracy become very poor. An improve EEMD is proposed specifically for short hydraulic impact signals. The improvements of this new EEMD are mainly reflected in four aspects, including self-adaptive de-noising based on EEMD, signal extension based on SVM(support vector machine), extreme center fitting based on cubic spline interpolation, and pseudo component exclusion based on cross-correlation analysis. After the energy eigenvector is extracted from the result of the improved EEMD, the fault pattern recognition based on SVM with small amount of low-dimensional training samples is studied. At last, the diagnosis ability of improved EEMD+SVM method is compared with the EEMD+SVM and EMD+SVM methods, and its diagnosis accuracy is distinctly higher than the other two methods no matter the dimension of the eigenvectors are low or high. The improved EEMD is very propitious for the decomposition of short signal, such as hydraulic impact signal, and its combination with SVM has high ability for the diagnosis of hydraulic impact faults.     

FAULT DIAGNOSIS APPROACH BASED ON HIDDEN MARKOV MODEL AND SUPPORT VECTOR MACHINE

Aiming at solving the problems of machine-learning in fault diagnosis, a diagnosis approach is proposed based on hidden Markov model (HMM) and support vector machine (SVM). HMM usually describes intra-class measure well and is good at dealing with continuous dynamic signals. SVM expresses inter-class difference effectively and has perfect classify ability. This approach is built on the merit of HMM and SVM. Then, the experiment is made in the transmission system of a helicopter. With the features extracted from vibration signals in gearbox, this HMM-SVM based diagnostic approach is trained and used to monitor and diagnose the gearbox's faults. The result shows that this method is better than HMM-based and SVM-based diagnosing methods in higher diagnostic accuracy with small training samples.     

基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法

针对早期滚动故障特征不明显和特征提取难等问题,将一种新的衡量时间序列复杂性的方法--复合多尺度熵（CMSE）应用于滚动轴承故障振动信号的特征提取。CMSE克服了多尺度熵中粗粒化方式的不足,得到的熵值一致性和稳定性好。同时,针对机械故障智能诊断中收集大量的样本比较容易而要对所有的样本进行类别标记却较为困难这一问题,将拉普拉斯支持向量机（LapSVM）应用于滚动轴承故障的智能诊断中。在此基础上,提出了一种基于CMSE,序列前向选择（SFS）特征选择和LapSVM的滚动轴承故障诊断方法。最后,将提出的方法应用于试验数据分析,结果表明：CMSE能够有效地提取滚动轴承的故障特征;当有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,结合SFS特征选择的LapSVM方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。     

整体改进的基于支持向量机的故障诊断方法

为了消除噪声或野值样本对支持向量机分类器推广性能的不利影响,从数据预处理、特征提取和分类器设计等几个方面对现有的基于支持向量机的故障诊断方法进行了整体改进。一方面,在独立分量分析的基础上提出一种残余总体相关分析时域特征提取方法,利用独立分量分析的冗余取消特性以及残余总体相关分析的整体约简能力,抽取描述不同故障模式类的典型低维特征,削减原始数据中的噪声干扰;另一方面,对各模式类特征样本进行模糊C-均值聚类,然后以类内平均距离和类间平均距离共同构建一个有效性判别准则,用于区分特征空间中的有效样本与野值点,去除野值对支持向量机目标函数的影响。在此基础上引入具有可控稀化解的前向最小平方近似支持向量机算法,并采用基于复杂多故障模式分级识别的二分类策略,共同形成一种整体改进的基于支持向量机的故障诊断方法。对齿轮箱故障的诊断结果验证了该方法的有效性,对于受强噪声干扰的小样本数据,所构建的故障分类器也具有良好的推广能力。     

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.     

基于最大树聚类的多超球体一类分类算法及其应用研究

提出了一种基于最大树聚类的多超球体一类分类算法。首先应用最大树聚类算法将训练样本聚为多个子类,再对各子类分别进行一类支持向量机(one-class SVM,OC-SVM)分类器训练,得到由各子类对应的超球体形成的多超球体一类分类模型。分别将该方法应用于仿真数据、UCI标准数据集以及转子故障诊断三个实例中,结果表明了该方法的有效性。