蝙蝠算法优化极限学习机的滚动轴承故障分类

针对传统智能故障诊断方法在滚动轴承的故障诊断中诊断准确率不高的问题,引入了一种启发式搜索算法——蝙蝠算法(BA)优化极限学习机(ELM)的方法,利用ELM构建滚动轴承故障诊断分类模型。首先采用滚动轴承振动信号的五种代表性时域无量纲指标作为诊断模型输入特征,然后,利用蝙蝠算法的全局寻优能力对ELM模型的参数进行优化,获取最优输入权重和隐含层偏置的ELM分类模型,最后采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集验证算法诊断效果。实验结果表明：该方法可以有效地对滚动轴承不同故障状态进行识别,与BP神经网络、支持向量机(SVM)和极限学习机(ELM)方法比较,所提出的方法能够提高故障诊断准确率,达到99.17%。     

基于鲸鱼算法优化LSSVM的滚动轴承故障诊断

针对轴承振动信号中的故障特征难以提取的问题,提出一种基于改进的鲸鱼算法优化最小二乘支持向量机(least square support vector machine, LSSVM)的故障分类方法.首先,利用变分模态分解(variational mode decomposition, VMD)对原始信号进行分解,使用中心频率法解决VMD中分解参数K值的选取问题;其次,计算每个IMF分量的多尺度排列熵值,提取信号故障特征;再次,针对鲸鱼算法(whale optimization algorithm, WOA)收敛速度慢和精度低的问题,引入冯诺依曼拓扑结构和自适应权重进行改进,可以适当地调整全局搜索能力和局部搜索能力之间的平衡;最后,采用改进后的鲸鱼算法优化LSSVM核函数的参数和惩罚因子,建立滚动轴承故障诊断模型,并利用美国凯斯西储大学提供的轴承数据集进行仿真实验.实验结果表明,所提方法的故障分类性能更好,准确率更高.     

三电平逆变器开路故障诊断研究

针对传统三电平逆变器开路故障诊断方法存在计算复杂、准确率低等问题,提出了一种基于小波分析与粒子群优化支持向量机的三电平逆变器开路故障诊断方法(WT-PSO-SVM).在分析三电平逆变器三相电流信号特征的基础上,利用三层小波对电流信号进行分解,提取各频带能量作为故障特征;小波变换提取到故障能量特征后,部分故障下所提取的能量十分接近,无法有效区分,进而引入正半周比例系数作为辅助特征;将归一化的能量和正半周比例系数作为特征向量输入支持向量机进行分类训练,同时利用粒子群算法优化支持向量机的参数以达到最好的分类效果,最终实现故障诊断.实验结果表明:WT-PSO-SVM方法可以有效识别三电平逆变器的开路故障,较其他故障诊断方法有更高的诊断精度和速度,在变负载和有噪声影响情况下仍有较高的故障识别准确率,准确率达到97.3%.     

基于LCD和改进SVM的轴承故障诊断方法

针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。     

基于双树复小波包和改进SVM的轴承故障诊断

为了提高滚动轴承内圈、滚动体、外圈等故障诊断效率,提出了将双树复小波包和支持向量机（Support Vector Machine,SVM）结合的故障诊断方法。采用双树复小波包对轴承振动信号分解和重构,提取重构信号中的故障能量特征并构造特征样本作为支持向量机诊断模型的输入。针对支持向量机的参数选取没有固定方法而导致故障诊断的准确性降低的问题,采用人工鱼群算法对支持向量机的惩罚系数和核参数进行寻优。用寻优得到的参数建立支持向量机诊断模型对特征样本进行故障诊断。仿真结果表明提出的方法不仅可以提高降噪效果从而得到滚动轴承故障振动的特征信号,而且能实现更高精度的故障诊断。     

机械传动电机轴承故障信号诊断仿真研究

传统经验模态分解(EMD)存在模态混叠,难以充分提取故障特征,原始支持向量机(SVM)、相关向量机(RVM)诊断方法核函数存在选取不灵活、结构复杂导致识别效率低的问题,提出了一种结合变分模态分解(VMD)样本熵和混合布谷鸟改进M-RVM的机械传动电机轴承故障诊断新方法。首先,对故障信号进行VMD分解得到多个子序列;然后,筛选其中的有效分量提取样本熵组成故障特征向量;最后,将特征向量输入基于混合布谷鸟算法优化的M-RVM故障诊断模型,达到对电机运行状态准确识别的目的。仿真结果表明,所提方法实现了电机轴承故障状态的准确诊断。与传统分析诊断方法相比,该方法轴承故障识别诊断性能得到提高,对实际工程应用具有重大意义。     

基于压缩采集与CNN的风电机轴承故障诊断

针对传统风电机轴承故障检测存在的采样数据量大、故障特征依赖主观选取的问题,提出了风电机轴承故障的信号压缩采集、自动提取特征及故障诊断的方法,解决了风电机轴承振动信号特征提取计算复杂、受先验知识影响较大的问题。首先基于梯度加速法(NAG)和QR分解理论对随机高斯观测矩阵进行优化,实现风电机轴承振动信号压缩采集;然后将压缩采集得到的数据作为卷积神经网络(CNN)的输入,利用卷积池化层提取压缩采集数据中的故障特征;最后,将得到的故障特征通过softmax分类器进行分类。仿真实验表明:该方法能够自动提取风电机轴承的故障特征,在保证较高故障诊断准确率的同时,缩短了网络训练时间。     

基于粒子群优化核主元分析的轴承状态识别

轴承状态识别的准确率与特征提取紧密相关,而特征提取对轴承状态识别显得尤为重要.因时频域的各个特征对不同程度的故障信号敏感度各不相同,特征提取不当将会造成状态识别准确率下降.针对上述问题提出粒子群优化(PSO)核主元分析(KPCA),并利用该方法对轴承的复合特征集进行特征提取,提取后的特征向量构成识别特征集,由优化的支持向量机识别分类.选用美国凯斯西储大学滚动轴承试验台的振动数据进行处理分析,通过3种实验方案进行验证.结果表明,提出的方法明显改善了轴承状态识别的准确率.     

小波包和GA-SVM在轴承故障诊断中的应用

为了解决傅里叶变换难以兼顾信号在时域和频域中的全貌和局部化特征以及支持向量机惩罚参数c和核函数参数g选取的问题,提出了基于小波包和GA-SVM的轴承故障诊断方法;首先通过实验采集多种工况下故障轴承和正常轴承的振动信号,从振动信号中提取能够表征轴承运行状态的时频域特征以及基于小波包分析的特征向量来作为GA-SVM的输入,然后在SVM的基础上,针对SVM的惩罚参数和核函数参数在不同应用场景下的取值难以确定的特性,采用了遗传算法对支持向量机进行参数优化的GA-SVM算法进行模式识别;实验结果显示,基于小波包和GA-SVM的轴承故障诊断方法比SVM和BP都具有更高的识别精度。     

基于深度学习与混沌特征融合的滚动轴承故障诊断EI北大核心CSCD

本文针对现有滚动轴承智能故障诊断方法在面向大噪声背景下鲁棒性能差的问题.基于混沌理论,提出采用相空间重构方法还原并丰富轴承振动的动力学特性,通过卷积神经网络(CNN)提取混沌序列中的高级抽象特征,又考虑故障信号具有长程相关性,将低维抽象故障特征引入长短期记忆网络(LSTM),以灰狼算法优化的支持向量机(OSVM)作为分类器,提出CCNN (Chaotic CNN)–LSTM–OSVM智能故障诊断方法.试验结果表明,在处理信噪比为-6 dB信号时,该方法仍具有89.96%的准确率,相比以Softmax作为分类器的CNN–LSTM和CCNN–LSTM方法分别高出15.36%和5.21%,且在收敛速度方面亦有较大优势.     

基于MVRVM回归和RVM二叉树分类的自确认气动执行器故障诊断算法

为了解决自确认气动执行器的故障诊断问题,提出了一种基于多变量关联向量机( MVRVM)回归和关联向量机二叉树分类的气动执行器故障诊断方法,该方法利用多变量关联向量机回归建立气动执行器的正常模型,然后将实际输出与模型输出比较,产生残差作为气动执行器的非线性故障特征向量。以残差作为输入建立关联向量机二叉树多分类机,诊断气动执行器故障类型。利用DABLib生成的故障数据对所研究方法进行了验证,并与基于RVM一对一分类的故障诊断方法进行了比较,结果表明该方法是解决气动执行器故障诊断的小样本和非线性问题的一种有效方法。     

基于小波变换和FRVM的电能质量扰动分类

针对相关向量机(RVM)计算复杂度大、训练时间长的问题,提出一种基于快速相关向量机(FRVM)的优化算法,其大大减少了相关向量机的训练时间,提高了分类的精度.将它应用于电能质量扰动分类中,首先对电能质量扰动信号进行基于小波变换的时频分析,提取小波变换各层信号的能量与标准信号的能量之差组成特征向量;然后用FRVM对特征量进行分类,进而实现基于小波变换和FRVM的电能质量扰动分类新方法.实验仿真验证了该方法能够对各类电能质量扰动信号进行分类,并且其分类效率和准确率均优于传统的相关向量机分类方法.     

一种滚动轴承故障诊断方法

针对基于支持向量机的滚动轴承故障诊断方法中支持向量机的参数优化问题,提出一种改进的果蝇优化算法,即以模式分类准确率作为果蝇味道浓度函数,并采用该算法来优化支持向量机模型的惩罚因子和核函数参数;基于改进果蝇优化算法和支持向量机对滚动轴承的故障模式进行分类诊断,结果表明改进的果蝇优化算法具有较高的收敛速度和寻优效率,基于该算法和支持向量机的滚动轴承故障诊断方法具有较高的分类准确率。     

基于融合型深度学习的滚动轴承亚健康识别算法

深度学习模型增加了隐含层的层数,使得该模型在语音识别、图像视频分类等方面取得了不错的效果;但建立一个适合特定对象的模型需要大量的数据集来训练,而且需要较长时间才能获得合适的权重和偏置,为此提出一种基于深度自动编码器-相关向量机网络模型的滚动轴承亚健康诊断方法。首先,采集滚动轴承振动信号并进行傅里叶变换和归一化处理;其次,设计改进的自动编码器-稀疏边缘降噪自动编码器,结合了稀疏自动编码器和边缘降噪自动编码器的特点;接着建立深度自动编码器-相关向量机网络模型,用有监督的函数对各个隐含层的参数进行微调,并利用相关向量机（RVM）进行训练;最后将得到的分类根据D-S证据理论融合并得出最终的分类结果。实验结果表明所提算法能有效提高滚动轴承"亚健康"状态的识别精度,纠正错误分类。     

基于小波包Tsallis熵和RVM的模拟电路故障诊断

针对模拟电路故障难以识别等问题,提出一种基于小波包Tallis熵和多分类相关向量机(Rele-vance Vector Machine,RVM)的模拟电路故障诊断方法.该方法采用脉冲信号仿真模拟电路,应用小波包变换对采集到的故障响应信号进行分解,通过提取不同频带内的Tsallis熵作为故障特征值,利用相关向量机对各种状态下的特征向量进行分类决策,实现模拟电路的故障定位.实验结果表明,提出的故障诊断方法相较于现有的故障诊断方法能较好地提取故障特征,极大地提高模拟电路故障诊断的效率.     

基于经验模态分解和支持向量机的滚动轴承故障诊断

本文针对滚动轴承的故障诊断问题,首先提出一种自适应波形匹配的延拓方法对经验模态分解(EMD)存在的端点效应进行改进,然后基于改进的EMD和粒子群优化算法(PSO)优化的支持向量机(SVM)设计了一种两阶段的滚动轴承故障诊断方法.离线阶段对典型的正常、故障振动信号进行EMD分解并提取能量信息作为特征,送入PSO–SVM进行训练并保存模型待用,在线阶段对实时的振动信号进行EMD分解并提取特征,利用离线阶段训练好的模型进行诊断并输出诊断结果.使用美国西储大学轴承数据对该方法进行了验证,实验结果证明了该方法的有效性.     

一种RVM模糊模型辨识方法及在故障预报中的应用

对复杂、病态、非线性动态系统进行故障预报的重点和难点是建立系统故障状况的数学模型, 通常难以建立精确的数学模型, 相比之下构建其模糊模型是一个有效途径. 本文研究了相关向量机(Relevance vector machine, RVM)与模糊推理系统(Fuzzy inference system, FIS)之间的内在联系, 证明了基于RVM的FIS具有一致逼近性, 并提出了一种基于RVM和梯度下降(Gradient descent, GD) 算法的模糊模型辨识方法. 基于所给出的模糊模型辨识方法提出了一种新的故障预报算法. 仿真结果表明所建立的模糊模型不仅结构更加简单, 而且能达到更高的预测精度, 所提出的故障预报算法能准确地预报系统故障.