基于改进FSVM的旋转机械故障诊断算法

针对旋转机械故障诊断中采集到的振动信号存在强烈噪声及野值干扰,故障特征提取后,利用传统的支持向量机(support vector machine,SVM)进行模式识别会造成最优超平面的模糊性,影响分类效果,引入模糊C均值聚类算法(fuzzy C-means,FCM)与支持向量机结合进行故障诊断.FCM用来求解样本模糊隶属度,但其迭代求解聚类中心及样本模糊隶属度矩阵时容易陷入局部最优,而粒子群算法(particle swarm optimization,PSO)具有全局优化搜索的优点.基于此,提出了基于改进模糊支持向量机(fuzzy support vector machine,FSVM)的旋转机械故障诊断算法.首先,利用经验模态分解(empirical mode decomposition,EMD)提取故障信号的能量特征指标;然后,由PSO优化FCM求解样本的模糊隶属度;最后,将模糊隶属度引入SVM,构建改进的模糊支持向量机模型,并实现故障判别.实验结果表明:改进的FSVM比传统的FSVM算法有更好的抗造性能以及分类效果.     

分段最小二乘支持向量机的故障诊断

在啤酒发酵过程中,为了建立精准的传感器温度故障诊断模型,在标准支持向量机(SVM)的基础上提出了分段最小二乘支持向量机的方法,该方法首先利用模糊C聚类(FCM)对样本进行聚类分析,达到划分发酵阶段和建立局部模型的目的,然后采用最小二乘支持向量机(LSSVM)的方法对各类样本进行建模。实验结果表明,使用该方法建立的啤酒发酵过程温度故障诊断模型具有较高的准确性。经过比较,该方法建立的模型的泛化能力要强于其他SVM方法建立的模型。     

基于EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

基于有源自回归模型与模糊C-均值聚类的挖掘机液压系统故障诊断

为了提高挖掘机的可靠性水平和智能化程度,提出了基于有源自回归(ARX)模型与模糊C-均值(FCM)聚类的挖掘机液压系统故障诊断方法。该方法将故障诊断分成故障特征提取和故障分类两个部分。在故障特征提取中,针对已知故障和测试故障分别建立ARX模型,提取ARX模型的自回归系数作为故障特征。在故障分类中,以FCM聚类作为故障分类器,将测试故障归入已知故障的某个分类中,判断系统的故障类型。仿真和实验结果表明,ARX模型与FCM聚类相结合的故障诊断方法能有效地应用于挖掘机液压系统。     

基于线性判别分析和分步机器学习的变压器故障诊断

为了改善当前变压器故障诊断在特征量选取和使用单一诊断模型进行故障诊断上的不足,提高变压器故障诊断的准确率和效率,提出基于线性判别分析（LDA）的特征选取方法,建立基于分步机器学习的诊断模型. 该模型选取16组油中溶解气体体积分数比值的多特征参数,运用线性判别分析对参数进行降维作为输入特征向量;运用概率神经网络对变压器故障做出初步诊断,区分出易混淆故障;使用基于灰狼群算法优化的支持向量机对易混淆故障做进一步的区分. 最终实验诊断准确率为97.27%,诊断时间为4.87 s. 与单一机器学习模型相比,所提出的模型不仅具有更高的准确率,还具有更高的效率. 实例分析表明,本研究方法能有效弥补单一机器学习的缺陷,为故障样本有限情况下的电力变压器故障诊断提供参考.     

采用改进型DENCLUE和SVM的电子皮带秤故障诊断

针对电子皮带秤的在线故障诊断问题,提出一种基于改进型DENCLUE聚类分析和偏二叉树支持向量机(SVM)分类器的故障在线检测和诊断方法.由于故障数据随设备流量的变化而变化,采用改进DENCLUE聚类算法对实时检测到的数据进行聚类分析,分离出故障数据,实现在线故障检测;将DENCLUE算法中的密度估计方法引入到支持向量机中,提出一种基于类内相似密度和类间相似密度构建可分性测度和二叉树结构的改进型BTSVM,结合标准数据集验证了改进型BTSVM的优越性,并利用该分类器对检测出的故障进行故障模式在线识别诊断.对阵列式皮带秤进行试验,结果表明,提出的故障在线检测和诊断模型更适合散状物料连续称重系统的在线故障检测诊断.     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

基于VMD-FCM-RLSSVM的多模过程故障诊断方法

为了保证工业过程的正常进行,需要及时地辨识出故障以实现故障诊断。然而,传统的故障诊断方法多是基于单模过程而不适应于多模态过程。为了解决这个问题,本文提出了一种变分模态分解(VMD)、模糊C均值(FCM)及递推最小二乘支持向量机(RLSSVM)相结合的集合型故障诊断方法。本文首先介绍了VMD方法对所采集的数据进行去噪处理,然后利用FCM进行模态区分,最后利用RLSSVM方法实现故障诊断。通过CSTH过程的仿真结果表明,该方法提高了诊断效率和性能,能够快速、有效地诊断出故障。     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别.利用模糊域分布可以很好地刻画信号的时频局部化特征，与时-频平面特征提取相比，又可大大降低数据维数.对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果.     

基于FCM-LLE的模拟电路故障诊断

针对模拟电路的故障数据具有多源异构、维度高、数据量大且传递关系复杂等特点,本文提出了一种基于模糊C均值聚类-局部线性嵌入(FCM-LLE)的模拟电路故障诊断算法,使用局部线性嵌入法对特征数据进行降维,利用模糊C均值聚类方法进行故障分类诊断,并根据诊断情况进行多轮诊断以提升诊断率.仿真结果表明该方法对较复杂的模拟电路进行故障诊断,且具有较高的诊断率.     

改进型灰色关联算法在变压器故障诊断中的应用

灰色关联分析已应用于电力变压器故障诊断,传统基于单一故障标准模式向量灰色关联分析算法的油中溶解气体分析（DGA）诊断模型精度有限.为此,提出一种改进型灰色关联算法,该算法在充分考虑DGA数据分散性的基础上,将每类故障的标准故障模式向量由原来算法中的1个扩充到6个,并给出每类故障的DGA数据分布范围,增大诊断信息量;利用关联分析原理,求出待诊模式与各类故障标准模式的灰色关联度,得到故障诊断判定.实例分析证明,所提算法的诊断准确率高于原来的普通灰色关联方法.     

电力电子线路的故障诊断—利用CAI实现二级基函数字典法

对于电力电子线路的故障诊断，采用计算机辅助分析的方法获得了二级基函数２字典，提高了定位率，并采用Ｔｕｒｂｏ Ｃ完成了电力电子线路故障诊断软件系统的故障定位部分。该法具有实时诊断的功能，使ＳＣＲ电路在线故障诊断的实现成为可能。     

基于支持向量机的转子振动故障融合诊断技术

针对某些大型复杂旋转机械振动信号特征提取和故障样本获取难的问题,提出了一种基于小波包特征谱熵支持向量机（SVM）的转子振动故障融合诊断方法.通过转子实验台模拟了转子振动的4种典型故障,并采集其振动故障数据.用小波包对振动故障信号进行分解,提取故障信息含量大的频带并计算出其小波特征谱熵作为故障特征,建立故障诊断模型.通过对故障类别的区分和故障严重程度的判断,验证了该方法在解决转子振动故障信号的特征提取及小样本情况下的故障诊断问题等方面是有效的.     

面向齿轮箱故障诊断的序贯概率比检验理论和方法

提出了一种基于序贯概率比检验的齿轮裂纹故障诊断方法,并选用了无裂纹和有裂纹的齿轮模拟故障模式.实验中提取的振动信号夹杂着噪声等干扰,运用具有良好去噪效果的小波包方法对齿轮箱振动信号进行预处理.采用时域分析法提取预处理后信号的特征值,提取对冲击性振动非常敏感的峭度值作为特征值.将序贯概率比检验算法应用于齿轮箱故障模式的检验和识别.为了验证所提出方法的诊断能力,本文选用均方根误差的方法来计算同种故障之间,以及不同种类故障之间的识别误差,结果表明了所提出的方法是有效且强大的.     

模拟电路故障诊断的改进分析

针对模拟电路故障诊断识别率较低的问题,文章结合模拟电路智能故障诊断流程的重要环节对特征选择、特征提取和诊断识别进行了改进分析。首先将支持向量机(support vectormachine,SVM)和传统特征选择算法相结合,改进了现有特征选择算法,接着将主成分分析(principle component analysis,PCA)和独立成分分析(independent component analysis,ICA)相结合提出双空间特征提取算法,并将双空间提取算法和融合特权信息支持向量机(SVM of learn-ing using privileged information,LUPI-SVM)算法相结合,提出基于双空间提取算法的融合特权信息支持向量机模拟电路故障诊断方法。最后对改进后方法进行了应用分析,通过对两个典型电路的仿真测试,验证了改进后方法的可行性和有效性,改进后方法提高了模拟电路故障诊断的性能。     

基于信息熵和SVM多分类的飞机液压系统故障诊断

飞机液压系统是典型的非线性系统,故障机理复杂,提取故障信息困难,且故障样本较少。针对飞机液压系统部件故障,文章采用了基于信息熵特征权值分配和支持向量机(SVM)多分类的故障诊断方法。先提取飞机液压系统压力信号的统计特征,然后通过计算特征信息熵为特征分配相应权值,将权值较大的特征作为支持向量机的输入向量,最后建立SVM多分类器将正常与多种故障状态进行分类;所采用的方法不仅有效降低了支持向量机模型的计算复杂度,而且提高了分类精度。通过建立飞机起落架收放系统仿真模型,对该故障诊断方法进行了验证研究。仿真结果表明,该方法选用高斯径向基核函数能够有效对液压系统进行故障诊断。     

基于最小二乘及分类向量机的空气调节器故障检测

为了对空气调节器的故障进行检测和诊断,提高建筑物管理系统的能源利用率,提出一种基于递归最小二乘的故障检测和诊断方法.方法包含特征选择、递归最小二乘和支持向量机分类三个部分,在特征选择中,将空气调节器的故障分为11个类型,并基于Relief F算法选取三个最显著的特征变量.在递归最小二乘中,通过最小化真实值与预测值之差的平方和对模型的参数进行估计,并基于二叉决策树思想采用支持向量机对11个故障状态和1个正常状态进行分类.结果表明,所提方法可以更好地对空气调节器中的故障进行检测,并对故障类型进行分类.     

基于EMD和SVM的高压断路器机械故障诊断方法研究

高压断路器操动过程中,声波信号的变化反映了断路器机械状态,声波信号特征提取直接关系到故障诊断的准确性和实用性。提出一种基于经验模态分解(empirical mode decomposition,EMD)的状态特征提取方法,根据高压断路器分闸过程的物理特点,将分闸声波信号分为分闸前期、分闸中期、分闸后期三个阶段,各阶段声波信号等时间分段,形成等时间分段能量熵以反映声波信号的时间、频率和能量变化。将能量熵输入支持向量机(support vector machine,SVM),采用"一对其余"策略进行多级分类,可诊断出断路器的正常运行状态和典型故障。通过对ZN28A型真空断路器正常状态、拐臂润滑不足、缓冲器有多余无效撞击和其它故障的测试实验,基于EMD和SVM相结合的诊断方法,有效提高了小样本下诊断断路器机械故障的准确性。