基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

利用SVM和相关山形聚类分析识别滚动轴承状态

状态识别是机械设备故障诊断的关键环节。提出了一种结合支持向量机、主成分分析及相关山形聚类分析的滚动轴承状态识别方法。首先利用支持向量机对轴承特征参数进行分类,辨别是否异常;再利用主成分分析得到独立的、包含原参数主要信息的主成分;最后对这些主成分作聚类分析,达到诊断故障部位的目的。实例分析的结果表明,该方法可以有效地识别轴承状态,正确率达到96%。     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于等距映射和最小二乘支持向量机的转盘轴承故障识别方法

针对转盘轴承振动信号微弱,具有非线性、非平稳性的特点,提出将等距映射与最小二乘支持向量机相结合的故障诊断方法。首先,提取转盘轴承振动信号多分形特征并进行特征重构;然后,通过等距映射方法对特征信息进行维数约简处理;最后,将处理后的特征向量输入最小二乘支持向量机模型中进行故障状态识别。某型号转盘轴承全寿命加速试验表明,与未进行降维处理相比,经等距映射降维处理后的识别精度提高了12%,证明了该方法的可行性和有效性。     

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.     

SVM和LSSVM应用于齿轮箱故障诊断中的对比研究

为更好的对齿轮箱进行有效的故障诊断,通过SVM(支持向量机)和LSSVM(最小二乘支持向量机)分别对齿轮箱故障特征向量进行故障识别,然后将识别结果在准确率和运行时间两个维度进行比较,最终确立LSSVM在齿轮箱故障诊断中的优越性。     

磷虾算法优化多分类支持向量机的轴承故障诊断

为了提高滚动轴承故障类型诊断准确度,提出了磷虾算法优化多分类支持向量机的轴承故障诊断方法。对于时频域特征参数的提取,将CEEMD算法与小波包优势结合,提出了CEEMD与小波包半软阈值去噪相结合的提取方法;对于特征参数降维,针对轴承振动信号的非线性特点,使用局部线性嵌入算法降维,对降维后特征参数使用模糊C均值聚类进行验证,可以看出LLE降维不仅降低了计算量而且有利于模式识别;将二叉树法与投票法支持向量机结合,给出了混合多分类支持向量机,使用磷虾算法对其进行参数优化。实验验证可知,磷虾算法优化的多分类支持向量机具有很高的输出精度,轴承状态识别准确率为100%,使用粒子群算法优化的支持向量机输出精度低,轴承状态识别准确率为79%。     

基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法研究

针对自动扶梯由于长期处于高员载运行状态而引起主驱动轴轴承故障问题,提出一种基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法。使用集合经验模态分解(EEMD)对轴承异常的振动加速度信号进行分解来提取信号特征,然后基于支持向量机(SVM)构建故障诊断模型对信号进行诊断,从而确定故障状态。     

基于多特征融合的刀具磨损识别方法

针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了（尤其在小样本下）刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率。