基于支持向量机的水电机组故障诊断

针对水电机组故障样本少的问题,将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备“能量-故障”映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。     

基于支持向量机的机械系统多故障分类方法

提出了一种利用支持向量机(SVM)对机械系统故障进行分类的新方法；以二值分类为基础，开发了基于支持向量机的多值分类器。并以齿轮的多种故障分类为例，进行了实际应用验证。结果表明，该方法具有很好的分类能力和较高的计算效率，不需要对原始数据进行预处理就可达到满意的效果，可以满足在线诊断的要求，适合于机械故障诊断中的多故障分类。该方法的应用，为故障诊断技术向智能化方向发展提供了新的途径。     

基于支持向量机的水电机组故障诊

针对水电机组故障样本少的问题,本文将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备“能量—故障”映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。     

基于小波变换和SVR模型的陀螺仪故障预测

为了准确可靠地预测陀螺仪的故障,提出一种基于小波变换和支持向量回归机的陀螺仪故障诊断和预测方法。首先,利用小波分析和支持向量机对陀螺仪故障特征进行提取,然后建立SVR的故障预测模型,最后基于实验测得的陀螺仪振动数据对该预测模型进行了仿真验证,结果显示该算法预测效果良好,是一种有效的陀螺仪故障预测算法。     

支持向量机在发动机故障诊断中的应用研究

鉴于支持向量机(SVM)的优越性及汽车发动机的故障特点,本文提出将支持向量机应用到发动机故障的智能诊断中。该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,而且模型简单。首先对采集的故障信号采取信息融合方式进行特征提取,以获得特征向量。在此基础上通过多分类支持向量机对发动机故障进行分类测试,建立了故障诊断模型。试验结果表明:该方法具有较高的诊断精度,达到了发动机的故障诊断要求。     

基于灰色支持向量机的汽车制动系统故障诊断与预测

制动系统在汽车的众多系统中极为重要,汽车在使用中若出现故障,会给车辆带来严重安全威胁。因此,如何对于汽车潜在的故障进行预测和诊断就显得尤为重要。而基于传统的预测模型建立起来的汽车制动系统故障预测方法却存在一定的缺陷,使得预测结果受到影响,但基于灰色支持向量机的汽车制动系统故障诊断与预测方法可以解决当前存在的问题。基于此,本文主要探讨了汽车制动系统诊断和预测中灰色理论以及支持向量机应用的相关问题,供读者参考。     

基于多分类SVM的水泵故障诊断的研究

为了预测水泵在运行中的故障,提高水泵运行的安全性和经济性,在分析故障诊断的基本原理的基础上,建立了水泵运行故障知识库,并运用有向无环决策图多分类算法,对水泵故障样本进行训练,建立了基于支持向量机的离心式水泵运行故障诊断模型(DAGSVM).通过实例验证表明,该模型能有效的诊断水泵的常见故障,为水泵故障诊断提供了一种新方法.     

基于小波包样本熵和SVM的水泵机组振动故障诊断

用小波包样本熵提取出水泵机组各个振动状态下的样本熵值作为支持向量机(SVM)的特征向量,然后用特定的SVM分类器进行分类训练,在此基础上对机组振动故障进行识别,为验证本方法的准确度,通过立式水泵机组实验平台进行大量的实验并对其做出了定量定性分析,实验结果表明这种基于小波包样本熵和SVM水泵机组振动故障诊断方法具有较高的可信度。     

可变步长网格搜索法结合LIBSVM预测风机故障研究

针对风机的智能故障诊断,采用了一种可变步长网格搜索法寻优结合LIBSVM工具箱实现风机故障智能识别的方法。LIBSVM的信号特征输入选用风机振动信号的小波能量谱,用交叉验证法验证识别准确率,用LIBSVM仿真建立支持向量机分类模型,最后用测试样本测试,发现基于该方法可以保证支持向量机识别率并且可以有效减少运算量。     

基于变分模态分解和复杂度分析的水电机组振动信号特征提取

目前大型水电机组通常安装有状态监测系统可记录机组的振动数据,而如何从海量的数据中提取出机组的故障特征是水电机组故障诊断的难点和热点。提出了一种基于变分模态分解和复杂度分析的振动信号特征提取方法,该方法首先对降噪后的振动信号进行变分模态分解,再结合复杂度算法求得各模态分量的复杂度值,得到以各模态分量复杂度值为元素的反映机组故障信息的特征向量,最后利用支持向量机对特征向量进行分类。试验结果表明:基于变分模态分解与复杂度分析的特征提取方法对水电机组不同运行状态具有较好的区分度,是一种有效的振动信号特征提取方法。     

基于集合经验模态分解和支持向量机的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳特征及强噪声特性,提出了一种基于集合经验模态分解和支持向量机的滚动轴承故障诊断方法。该方法首先对原始信号进行集合经验模态分解,将其分解为若干个固有模态分量,利用固有模态分量构造初始特征向量矩阵,然后对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱作为特征向量,送入支持向量机训练、识别。分析结果表明,与经验模态分解相比,集合经验模态分解能有效解决模态混叠问题,从而准确、有效地提取滚动轴承的故障特征。     

旋转机械健康状态评估方法研究现状与展望

旋转机械是机械装备的重要组成部分,其内部结构复杂度高,关键零部件与子系统之间耦合度强,长期在复杂工况下运行易发生故障.一旦发生故障,会导致整机性能下降,甚至造成重大经济损失或人员伤亡.因此,旋转机械健康状态评估研究已成为现代国防与工业装备发展中的重点之一.从旋转机械的健康管理与智能运维需求出发,首先,论述了健康状态评估在机械设备智能运维中的地位和作用;其次,介绍了健康状态评估技术的概念、状态等级的划分以及评估指标;再次,阐述了基于知识经验、模型驱动和数据驱动的典型评估方法;进而,综述了近年来国内外学者在泵、轴承、齿轮箱和航空发动机等典型旋转机械健康状态评估方面的研究成果;最后,基于健康状态评估方法研究面临的技术挑战和发展趋势,对旋转机械健康状态评估方法的发展方向进行了探讨和展望.     

基于超球面支持向量机的刀具磨损状态识别

提出一种基于超球面支持向量机的刀具磨损状态识别方法。该方法提取切削力与振动信号中的多项特征,对各项特征分别进行刀具磨损量相关性分析,选择与刀具磨损变化量最相关的均值、均方根、小波系数能量以及小波系数近似熵组成特征向量。采用超球面支持向量机作为分类器,实现了刀具磨损状态的自动识别。实验证明,在小样本学习情况下,基于超球面支持向量机的刀具磨损状态识别方法具有良好的学习和泛化能力,获得较高的识别正确率。     

基于主成分分析和遗传支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出一种基于主成分分析（PCA）和遗传支持向量机（GA-SVM）的发动机故障诊断方法。该方法利用振动信号经小波变换和主元分析来提取故障特征,以减少信号的冗余。针对人为选择SVM参数的盲目性,应用遗传算法优化其参数,并与BP神经网络（BPNN）比较。试验结果表明：GA-SVM比BPNN具有更强的分类识别能力,小样本故障诊断正确率达100%。     

基于主成分分析和遗传支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出一种基于主成分分析（PCA）和遗传支持向量机（GA-SVM）的发动机故障诊断方法。该方法利用振动信号经小波变换和主元分析来提取故障特征,以减少信号的冗余。针对人为选择SVM参数的盲目性,应用遗传算法优化其参数,并与BP神经网络（BPNN）比较。试验结果表明：GA-SVM比BPNN具有更强的分类识别能力,小样本故障诊断正确率达100%。     

基于多传感器信息融合的水工闸门故障诊断

针对水工闸门安全检修困难、检修效率低的问题,提出了一种基于支持向量机（Support vector machine,SVM）和改进D-S证据理论的信息融合水工闸门故障诊断方法。该方法通过提取不同传感器诊断信号小波包信息熵特征构建特征子空间,然后在每个特征子空间构建诊断子网络,最后使用改进证据理论对每个诊断子网络的输入进行决策层融合,从而水工闸门的多信息融合诊断结果。闸门故障诊断实验结果显示,信息融合的闸门故障诊断方法可有效识别弧形闸门故障种类,其故障诊断准确率达到了98.33%,同时诊断可靠度高,各类故障的诊断不确定度均小于1%。实验结果验证了智能故障诊断方法用于水工闸门领域的可行性,对于改进水工闸门故障检修方式,推动水利工程智能化的发展具有重大意义。     

基于二维谱熵和支持向量机的柴油机故障诊断

对柴油机燃油喷射系统典型故障进行台架模拟试验,测量了柴油机缸盖振动信号,通过频域分析提取了二维信息谱熵作为特征指标,将二维谱熵作为支持向量机(SVM)分类器的输入量,建立了故障诊断模型。经验证,该方法具有良好的分类能力和较高的诊断精度,达到了柴油机故障诊断的要求。     

基于SVM的拖拉机齿轮箱多故障诊断方法研究

针对拖拉机齿轮箱多故障诊断需求,介绍了支持向量机(SVM)的分类原理,提出了利用SVM多类分类法解决多类故障同时出现情况下故障识别的难题,并给出了解决方法:把同时发生的两个故障看作第3种故障,再通过SVM多类分类方法进行故障识别.最后以拖拉机齿轮箱故障为例,进行仿真试验,结果令人满意.     

基于粒子群算法和SDAE的采棉头故障诊断研究

针对采棉头故障诊断和故障预警缺失的问题,提出基于粒子群优化算法(PSO)优化堆叠降噪自编码器(SDAE)的采棉头故障诊断方法。将采棉滚筒转速与采棉头输入转速比和采棉头液压驱动压力作为输入,利用PSO算法对SDAE网络的超参数进行自适应选取,确定网络结构,然后将预处理后的数据输入PSO-SDAE网络进行深度特征提取,经过前向传播和反向微调,得到采棉头故障诊断模型。通过采棉头堵塞故障模拟试验对算法进行验证,试验结果表明：PSO-SDAE网络诊断方法在特征有效提取、故障诊断准确率方面均优于SDAE网络、支持向量机(SVM)、反向传播神经网络(BPNN)以及深度置信网络(DBN),可用于采棉头故障诊断和故障预警。     

局域波分形动力学在旋转机械故障诊断中的应用

根据局域波分解原理，分析了旋转机械常见故障信号局域波分解后的各模式分量的分形特性，提出了一种应用局域波分解和分形技术对旋转机械进行故障诊断的新方法。分析结果表明，由于不同故障的动力学产生机制不同，相应的关联维数具有明显的可分性。关联维数可作为旋转机械非线性故障的特征提取。