基于小波包分解与DAG SVM的柱塞泵故障诊断

针对柱塞泵检测诊断中故障特征模糊、成因复杂、难以准确定位的问题,结合决策树与支持向量机提出一种基于小波包分解与DAG SVM的柱塞泵故障诊断方法。该方法预先对所用C SVM和RBF核函数的参数进行优化,而后采用db5小波包对泵体振动信号进行三层分解以提取特征向量,将特征向量输入支持向量机完成其训练及模式识别过程。同时设计了柱塞泵故障诊断的一体化装置,通过模拟不同故障,利用已知故障样本完成支持向量机的训练过程,进而对待测样本进行故障模式识别。诊断结果与样本已知状态相符,验证了该方法的准确性。     

SVM结合OCSVM诊断模拟电路故障

基于支持向量机(SVM)的故障诊断方法是当前主要的模拟电路故障诊断方法之一,但由传统的二分类SVM组成的故障分类器对新故障模式缺乏处理能力。针对该问题,提出了结合单类支持向量机(OCSVM)和SVM的故障诊断方法。该方法采用OCSVM对故障数据进行检测和初步分类,采用SVM来提高分类性能;最后,采用脉宽调制电路进行故障诊断实验,实验结果说明了所提出的故障诊断方法的有效性。     

基于mRMR原则和优化SVM的模拟电路故障诊断

为了解决模拟电路故障诊断中有效特征提取困难和提高故障诊断的准确率,提出了一种基于最小冗余最大相关(minimum redundancy maximum relevance,mRMR)原则和优化支持向量机(support vector machine,SVM)的模拟电路故障诊断新方法.该方法利用mRMR原则对待诊断电路响应信号进行特征提取,将得到的最优故障特征输入SVM进行故障分类识别,并用遗传算法(genetic algorithm,GA)优化SVM的核参数,避免参数选择的盲目性,提高模型的诊断精度.实验结果表明该方法是有效的,提高了模拟电路故障诊断精度.     

基于M-ary SVM的电力电子电路故障诊断方法研究

将基于M-ary支持向量机的故障诊断方法应用到电力电子电路的故障诊断中。利用小波变换和Concordia变换提取电力电子电路故障信息,运用几种典型的故障诊断方法和Mary SVM对电路进行诊断。实验结果表明,M-ary SVM可以有效地用于电力电子电路故障诊断中,具有高的故障诊断精度和更快的测试速度。     

基于LMD与改进SVM的轴承故障诊断方法

针对轴承振动信号故障特征信息实际提取困难的问题,基于局部均值分解(LMD)与改进支持向量机(SVM)提出了轴承故障诊断方法.对所采集的轴承振动信号进行局部均值分解,得到若干乘积函数的分量.计算各乘积函数的能量,选取能量百分比值作为识别故障的特征值.针对支持向量机不能自适应选择核函数参数和惩罚因子的问题,利用细菌觅食优化算法对支持向量机进行参数优化.将特征值输入改进支持向量机模型,对轴承故障状态进行识别.试验结果表明,相对于传统支持向量机模型和隐马尔可夫模型,采用所提出的轴承故障诊断方法,对轴承故障的识别准确率提高7个百分点以上,由此验证了所提出的轴承故障诊断方法的可靠性.     

基于GMKL-SVM的模拟电路故障诊断方法

提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。     

应用模糊最优小波包和LS-SVM的模拟电路诊断

为解决模拟电路故障诊断中的特征提取困难并对模拟电路故障信号进行有效的分类,提出了一种结合模糊理论、小波包分解和最小二乘支持向量机(LS-SVM)的模拟电路诊断方法。该法首先对模拟电路的响应信号进行小波包分解,并引入模糊准则对其优化,得到由分类能力强的最优小波包基能量值构成的特征集,然后将特征集输入LS-SVM网络,实现对不同故障类型的识别。小波包的优化分解减小了LS-SVM网络的规模,从而降低了算法复杂度,加快了网络的训练时间和分类速度。模拟诊断实例表明,此方法能快速有效地实施模拟电路的故障定位。     

一种聚类分层决策的SVM模拟电路故障诊断方法

支持向量机用于模拟电路多种故障诊断时,其多分类扩展策略与诊断的效率和正确率密切相关。本文提出模糊聚类与支持向量机集成的算法,通过分析电路故障特征数据的空间分布特性,以多级二叉树结构的SVM实现故障的分级诊断。通过对各故障模式两种小波特征的逐次聚类二分获得二叉树,根据F测度为每个节点的SVM选择具有最大分类间隔的故障子类及特征,避免了不可分故障区域的出现,从而优化了SVM的组合策略。采用该方法组建的SVM结构简单,在滤波器电路的故障诊断中获得良好的效果。与几种常用的SVM方法相比,本文方法有效地提高了故障诊断的精度和效率。     

基于小波包能量谱和NPE的模拟电路故障诊断

提出采用小波包能量谱和邻域保持嵌入作为预处理实行特征提取的模拟电路故障诊断方法。该方法对采集到的故障响应信号进行小波包分解,将不同频带内的能量作为故障特征值,然后利用邻域保持嵌入算法进一步提取故障特征,最后将所得到的最优故障特征输入支持向量机进行故障诊断。仿真结果表明,提出的故障特征提取方法能很好地反映故障响应信号的本质特征,不仅表现出了比其他特征提取方法更好的性能,而且最后的故障诊断中也获得了令人满意的结果。     

基于可测性分析和支持向量机的模拟电路故障诊断

针对低可测性模拟电路的测试问题,提出了一种模拟电路故障诊断的新方法.该方法首先计算被测电路的可测性,利用可测性提供的信息对被测电路进行模糊组划分,组成可诊断的元件集,并引入支持向量机完成对故障的分类识别.可测性分析理论上确定了被测电路可诊断的元件集,支持向量机结构简单,泛化能力强,以模拟和混合信号测试标准电路的实验结果证明了基于可测性分析和支持向量机的模拟电路故障诊断方法是有效的,其故障诊断率大于99%.