基于多重分形与SVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳性和非线性,提出一种多重分形和支持向量机相结合的故障诊断方法。运用多重分形理论方法对齿轮振动信号进行分析,通过分析发现多重分形谱和广义维数作为故障特征能够很好地反映齿轮箱的工作状态;对支持向量机的参数利用粒子群优化算法进行优化,并将齿轮箱振动信号的多重分形特征量作为支持向量机的输入参数以识别齿轮的故障类型。实验结果表明,该方法在样本较小的情况下能够准确对齿轮箱的故障类型进行分类。     

基于PSO-SVM的齿轮箱故障诊断研究

针对目前齿轮箱故障诊断存在的检测难度大、主观性强、准确性不高等问题,提出了一种基于粒子群算法和支持向量机的故障诊断方法。运用时域频域分析法对振动信号进行分析获取特征值,利用支持向量机(SVM)技术对齿轮箱特征参数进行模式识别和故障分类,并引入粒子群算法(PSO)用于优化支持向量机参数,建立了齿轮箱典型故障诊断模型。实验结果表明:该方法可以对齿轮箱不同故障类型进行准确的分类,有效的提高了齿轮箱故障诊断的可靠性。     

基于EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。     

基于多重分形与CPSO-SVM的车辆传动箱状态识别研究

针对车辆传动箱振动信号的非线性,提出一种将多重分形与支持向量机相结合的状态识别方法。运用奇异谱和广义维数来描述其振动信号特征,并将其作为支持向量机的输入特征量。将改进的混沌粒子群算法引入到支持向量机参数优化中,实现对惩罚函数c和径向基函数σ的智能优化选取。实验结果表明,该方法建立的SVM分类模型能够对车辆传动箱不同运行状态进行分类,并且具有更高的准确率。     

基于MF-DFA和SVM的齿轮箱故障诊断

针对齿轮箱的故障信号是具有非平稳性、非线性等复杂特征的信号,利用多重分形去趋势波动分析(MF-DFA)和支持向量机(SVM)相结合的方法对齿轮箱进行故障诊断。利用多重分形去趋势波动分析,提取齿轮箱故障的多重分形最大奇异指数,最小奇异指数,奇异谱的宽度,极值点所对应的奇异指数等4个分形参数,将其作为特征参数。然后建立齿轮箱的不同故障状态的样本,通过利用支持向量机的方法实现齿轮箱故障的诊断与识别。研究表明,这两种方法的结合为机械故障诊断提供了一种新的方法,对齿轮箱的故障诊断识别具有重要意义。     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

声信号的MFDFA和SFLA-SVM算法的往复泵故障诊断

利用声信号对往复泵进行状态监测,针对往复泵的声信号是具有非平稳性、非线性等复杂特征的信号,采用多重分形去趋势波动分析(MFDFA)计算时间序列声信号的多重分形谱,并提取作为故障特征量。分别用支持向量机(SVM)、遗传算法(GA)改进的SVM、混合蛙跳算法(SFLA)改进的SVM进行故障识别。通过实验测取往复泵的原始信息信号并分析,验证了声信号的波动呈现明显的多重分形特性,可以有效区分正常状态与故障状态,对比研究三种识别方法表明了基于混合蛙跳算法优化(SFLA)改进的支持向量机识别效果最好,基于MFDFA和SFLA-SVM相结合的故障诊断方法能准确地提高往复泵泵阀的故障诊断准确率,是往复泵故障诊断方法的一种新的有效方法。