ISSA优化SVM的电机滚动轴承故障诊断

针对电机轴承易发生故障,传统故障诊断方法具有耗时长、诊断精度低、调节参数多等问题,提出一种改进麻雀搜索算法ISSA优化支持向量机SVM的轴承故障诊断方法。该分类算法在传统麻雀寻优算法中引入改进Tent混沌映射、鸡群算法随机跟随策略、自适应t分布与动态选择策略,首先采用CEEMDAN能量熵对振动信号进行分解,选取与原信号相关性最大的5个IMF分量的能量熵值作为特征向量,然后输入到ISSA SVM分类器中进行轴承故障诊断。分别与PSO SVM、GWO SVM、SSA SVM分类模型进行实验对比,结果表明ISSA SVM诊断模型的诊断精度最高可达到100%。     

基于AOA优化SVM的轴承故障诊断方法研究

为有效提高滚动轴承故障诊断准确率,提出了基于自适应噪声集合经验模态分解(CEEMDAN)气泡熵(BE)和支持向量机(SVM)相结合的轴承故障诊断方法。首先经CEEMDAN分解得到一系列本征模态函数(IMF)分量,然后筛选重要IMF分量计算其气泡熵值,构建故障特征向量并输入到经算术优化算法(AOA)优化的SVM模型中进行训练和轴承故障分类。结果表明该方法识别准确率高达992%,相比GA SVM准确率提升了28%,也能成功识别出滚动轴承单一故障与复合故障,可以用于轴承故障分类。     

采用BBPSO优化SVM的电机定子故障诊断

为了准确识别感应电机定子匝间短路故障,该文提出一种基于骨干微粒群算法优化支持向量机的故障诊断方法,并给出了可行的诊断步骤。该方法首先利用小波包频带能量分解技术,将定子电流信号的各频率分量分解到不同频带,形成感应电机运行状态的特征向量,并以此作为支持向量机的输入向量。采用支持向量机进行分类,并利用无需设置控制参数的骨干微粒群算法和交叉检验优化模型参数,避免了参数选择的盲目性。最后试验结果表明,该方法诊断感应电机定子匝间短路故障能取得良好的效果。     

基于MVMD和全矢包络谱的滚动轴承故障诊断方法

为全面、准确地诊断滚动轴承故障,提出一种基于多元变分模态分解(MVMD)和全矢包络谱的滚动轴承故障诊断方法.首先,采用正交采样技术获取滚动轴承同一支撑处互相垂直方向上的振动信号,将其组成一个二元调制振荡信号.然后,运用MVMD从二元调制振荡信号中提取一组最佳的二元调制振荡信号,其对应的带宽之和最小.由于MVMD运用统一数学模型对2个方向的信号建模,可确保故障特征被分解到同一层,便于后续的信息融合.最后,运用Hilbert变换对每个二元调制振荡信号解调得到相应的包络信号,利用全矢谱融合2个方向的包络信号信息以得到全矢包络谱,进而诊断滚动轴承故障.仿真和试验结果证明了所提方法的可行性和有效性.     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

基于瞬时能量熵和SVM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性和难以获得大量实际故障样本的情况,提出了一种基于经验模式（EMD）分解的新型故障特征撮方法,并与支持向量机（SVM）相结合实现滚动轴承的故障诊断.该方法首先将振动信号进行小波包降噪,再对去噪信号进行EMD分解,求解分解后各单元的瞬时能量变化,取瞬时能量变化的熵值组成特征向量,最后将其作为支持向量机的输入实现滚动轴承故障分类.经过实验验证,该方法能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障.     

基于改进果蝇优化算法优化SVM的模拟电路故障诊断

为提高支持向量机(SVM)在模拟电路故障诊断中的精度,对果蝇优化算法(FOA)进行改进,提取了一种基于改进果蝇优化算法优化SVM的模拟电路故障诊断方法。改进果蝇优化算法(SHFOA)在FOA算法中增加了"学习历史"的策略,增强了果蝇种群的多样性和算法跳出局部最优的能力,可以获得更优的SVM参数,有效地提升了SVM的分类性能。Sallen-Key低通滤波器电路故障诊断和工程应用验证了SHFOA算法提升了SVM的识别效果,获得了更高的故障诊断精度,相比于其他一些方法更有优势。     

基于 MSK-SVM 的滚动轴承故障诊断方法

针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine, MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断。该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了Morlet、Marr和DOG小波核函数。利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核。基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型。为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能。结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力。     

基于IABC优化SVM的变压器故障诊断

针对故障信息较少时无法准确诊断变压器故障的问题,提出一种改进的人工蜂群算法优化支持向量机的故障诊断方法。首先采用主成分分析(PCA)对输入变量进行特征提取,降低特征向量的维数,避免了变量信息之间的相互重叠。其次,通过基于二维均匀的种群初始化和基于欧氏距离的食物源更新来对传统的人工蜂群算法(ABC)进行改进,并将改进蜂群算法(IABC)与ABC和粒子群算法(PSO)进行性能测试,证明了搜索速率和收敛性都有显著提高。最后用IABC优化支持向量机(SVM)的参数,将PCA提取的新特征值分别输入IABC-SVM、GA-SVM、PSO-SVM模型并对比诊断效果。最终表明所提方法具有诊断准确率高、模型简单、泛化能力强的特点。     

基于免疫优化多分类SVM的变压器故障诊断新方法

针对支持向量机中参数设置对支持向量机分类精确度影响较大及传统支持向量机不能直接用于多分类问题的状况,提出了一种基于免疫优化多分类支持向量机的变压器故障诊断新方法,该方法利用免疫算法优化支持向量机分类参数。以一类分类算法为基础建立多分类算法模型,在高维特征空间求出超球体中心,然后计算样本与中心最小距离,以此判定该点所属故障类型。该算法充分发挥了支持向量机高泛化能力的优势,大大减少了对支持向量机参数选择的盲目性。仿真计算结果表明,在有限样本情况下,该方法能够达到较高的变压器故障诊断率,从而证实了该方法的正确性和有效性。     

基于DACNN的电机滚动轴承故障诊断方法

针对强噪声、跨工况场景下数据分布差异导致传统卷积神经网络(CNN) 模型泛化性能低、诊断能力不足的问题,提出 一种基于并行卷积核和通道注意力机制的滚动轴承故障诊断方法。构造了带有不同尺度卷积核的并行网络结构,可以在抑 制噪声干扰的同时有效提取出数据中的故障特征信息;融合通道注意力机制对卷积层特征提取能力进行增强,提升模型抗噪 性能以及跨工况负载下的自适应诊断能力。利用凯斯西储大学轴承数据集训练并测试诊断效果,将该方法与其他方法进行 了性能对比。结果表明,在跨工况不同负载情况下,所提方法的诊断平均准确率为97.3%,在不同信噪比噪声干扰情况下的 诊断精度平均达93.8%,均高于其他比较方法,所提出的方法在复杂多变工况下具有良好的抗噪性能和泛化能力。     

基于SACNN-MGRU混合模型的滚动轴承故障诊断

为充分挖掘滚动轴承故障类别与振动信号间的潜在联系进而提升故障诊断精度,提出了一种基于尺度自适应卷积神经网络(SACNN)和改进门控循环单元(MGRU)混合模型的故障诊断方法.首先,提出了一种尺度自适应因子用以获取合适的CNN窗口尺寸从而更有效地提取振动信号中蕴含的局部故障信息,并在CNN中引入比例指数线性单元(SELU)以提升其训练过程的鲁棒性;随后,在GRU中嵌入SELU进一步提升网络稳定性,并改进GRU网络结构增强其时序特征的挖掘能力,进而更充分地提取局部故障信息中的时序特征;最后通过Softmax函数识别故障类别.经实验对比和分析表明,该方法具备较好的收敛性和稳定性,能够有效挖掘振动信号中蕴含的故障信息,准确识别不同转速下滚动轴承的故障类别且识别精度均高于99.5％,具有一定的应用价值.     

基于EEMD的声阵列滚动轴承故障诊断

研究针对滚动轴承故障诊断中的类型和位置分析问题,提出了一种基于集合经验模态分解(EEMD)的声阵列滚动轴承故障诊断分析方法。以EEMD分解信号的峭度和能量作为评价指标,提取包含故障信息的IMF分解信号,根据滚动轴承理论故障频率及其倍频分析对分解信号进行窄带滤波后通过Hilbert包络谱实现故障类型判断,通过对窄带滤波后的分解信号使用声阵列技术进行声像分析实现滚动轴承故障定位分析。最后通过试验进行了方法验证,结果表明过使用基于EEMD分解的阵列分析方法,可更为直观确定故障位置和故障类型,有利于有轨机车等多轴承驱动系统轴承故障的快速和实时诊断,对于确定检修、制定合理维修决策、改进维修质量具有十分重要指导意义。     

基于VMD与快速谱峭度的滚动轴承故障诊断

针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法.首先将轴承信号分解为若干个固有模态分量(IMF),然后利用最大相关峭度解卷积算法对各阶模态分量进行计算,选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象,并对其...     

基于PPCA-1.5维能量谱的滚动轴承故障诊断

针对强背景噪声下滚动轴承的非线性、非平稳故障特征提取不足的问题,提出了融合概率主成分分析(PPCA)及1.5维Teager能量谱的故障特征分析方法。首先对信号进行概率主成分分析,通过对信号降维重构信号,提取信号故障特征主成分,去除强背景噪声干扰;然后对重构信号进行1.5维能量谱分析,从而获得轴承故障特征谱信息。利用所提方法对滚动轴承模拟数据及实验数据进行分析,结果表明与集合经验模态分解(EEMD)包络谱相比,采用PPCA与1.5维能量谱的分析方法在进行滚动轴承故障高阶倍频提取时具有一定的优势。     

基于复局部均值分解和复信号包络谱的滚动轴承故障诊断方法

提出了一种基于复局部均值分解(CLMD)和复信号包络谱(CSES)的滚动轴承故障诊断新方法。首先通过互相垂直安装的加速度传感器采集2个方向的振动信号,并将其组成一个复数信号;然后利用CLMD对二元复数信号进行自适应分解,将分解得到的复数信号的实部和虚部包络信号组成一个复包络信号,根据复傅里叶变换具有幅值增强和综合频率特性,直接对复包络信号进行复傅里叶变换,提取的故障特征频率更为清晰。通过滚动轴承不同位置的外圈故障实验,证明了所提方法能够实现故障特征增强,可用于诊断滚动轴承微弱故障和复合故障。     

基于特征提取与识别两阶段的汽车电机轴承故障诊断

针对特征提取和故障识别这两个轴承故障诊断的关键环节,提出一种汽车电机轴承故障诊断新方法。该方法在特征提取环节:提出了将LCD分解和符号熵(SE)相结合的特征提取方法;在故障识别环节为提高果蝇算法(FOA)对相关向量机(RVM)参数的寻优能力,在FOA算法中增加了向"历史"学习的策略,提出具有历史学习能力的果蝇算法(HSAFOA),有效地提升了RVM的分类性能。汽车电机轴承不同类型、不同程度故障诊断实例表明,LCD符号熵可有效对故障进行表征,而HSAFOA算法则提升了RVM的识别效果,相比于其他一些方法更有优势。     

基于DCT和EMD的滚动轴承故障诊断

根据轴承故障振动信号特点,提出了一种离散余弦变换和经验模态分解相结合的轴承振动信号故障诊断新方法。将离散时间序列经过离散余弦变换处理成对应的系数向量,在阈值处理的基础上,重构信号提高故障信号的信噪比;对重构信号进行经验模态分解,通过相关系数计算去除伪分量,并进行频谱分析。仿真信号和轴承故障信号的分析表明,该方法提高了信噪比,降低了EMD运算成本,减少了IMF的数量,保证了IMF的物理意义,成功完成微弱故障诊断。     

基于 ACMD 和脊检测的滚动轴承非平稳故障诊断

针对非平稳状况滚动轴承振动信号易受速度波动、幅值或频率调制、噪声和其他无关分量的干扰,导致生成的时频面复 杂,难以识别滚动轴承故障特征频率等问题,提出一种新的基于自适应调频模式分解和脊检测相结合的方法。 所提出的方法构 建了高分辨率的时频表示,提升了诊断的准确度,而且具有非常强的自适应性。 通过对不同健康状况滚动轴承振动信号分析发 现,所提方法非常适合于变工况下的滚动轴承故障诊断,且诊断效果优于最新发展的时频分析方法。