基于LMD和SVM的柴油机气门故障诊断

针对柴油机气门故障诊断问题,在WP7柴油机上模拟了气门故障,提出了基于局部均值分解(local mean decomposition,LMD)和支持向量机(support vector machine,SVM)相结合的气门故障诊断方法.该方法首先用改进LMD方法将缸盖振动信号分解成若干个瞬时频率具有物理意义的PF(product function)分量之和,然后从缸盖振动信号和分解得到的PF分量中提取故障特征向量,以此作为SVM分类器的输入进行故障诊断.此外提出了改进粒子群算法(particle swarm optimization,PSO)用于SVM参数的优化.诊断结果显示,16组测试样本的测试结果均与实际状况相一致,诊断正确率为100%,该方法能快速准确地识别内燃机气门故障.     

基于连续小波变换和模型无关元学习的压燃式活塞发动机气门故障诊断研究

针对压燃式活塞发动机缸盖表面振动信号样本少及传统故障诊断方法特征提取和选择困难的问题，提出了一种基于连续小波变换（continuous wavelet transform， CWT）和模型无关元学习（model agnostic meta learning， MAML）的压燃式活塞发动机气门间隙异常故障诊断方法。通过将CWT的特征提取能力和MAML的快速学习能力相结合搭建故障诊断模型。试验结果表明该方法能有效识别气门间隙故障，并且其准确率高于传统基于CWT和卷积神经网络（convolutional neural network， CNN）的故障诊断方法。通过跨域故障对比试验，研究了不同气门故障类型对模型诊断能力的影响，验证了该方法在解决小样本和跨域故障问题时具有更高的准确率和泛化能力。     

基于遗传算法优化支持向量机的船用柴油机气门漏气故障智能诊断方法

针对船用柴油机气阀漏气故障的问题,提出一种结合遗传算法（genetic algorithm,GA）与支持向量机（support vector machine,SVM）的船舶柴油机气阀漏气振动诊断方法,称之为遗传算法优化支持向量机（GA-SVM）。通过分析静态与动态工况下的缸盖振动信号,提取训练SVM特征参数,利用GA-SVM的惩罚因子与核函数参数对故障进行识别。试验结果表明,GA-SVM方法完善了SVM参数选取方法,可有效识别柴油机气门漏气故障。优化后的整体故障诊断准确率为99.333%,相比于未优化前的测试集,故障诊断正确率提高了约2%。     

基于小波包与SVM的风电变流器故障诊断

针对风力发电系统中背靠背式PWM变流器故障诊断问题,以整流状态为例,提出一种基于小波包分析与SVM(支持向量机)分类算法相结合的故障诊断新方法。该方法选取直流侧输出电压信号为研究对象,分析不同开路故障状态下该信号的调制情况,利用小波包分析法提取故障特征样本,最后建立SVM的故障分类器,实现变流器的故障诊断。仿真结果表明该方法可有效实现风力发电系统中变流器的故障诊断。     

基于模糊BP神经网络的发动机磨损模式识别研究

结合大量铁谱分析数据与专家经验,分析了发动机磨损模式识别原理,给出了发动机磨损模式识别标准样本库,建立了发动机磨损模式识别的BP神经网络模型,并结合磨损模式识别实例,验证了识别结果的可靠性。实践证明,BP神经网络方法能够快速、准确、有效识别发动机磨损模式。     

基于云PSO-SVM的汽轮机转子故障诊断研究

为提高汽轮机转子故障诊断的准确率和识别效率,提出基于云粒子群优化算法(CPSO)优化支持向量机(SVM)的故障诊断方法。首先利用补充总体平均经验模态分解(CEEMD)对转子振动信号进行分解,利用能量法筛选出更为有效的固有模态分量(IMF)并计算对应的排列熵(PE)作为故障特征值;其次将云理论引入到粒子群优化算法(PSO)中得到CPSO算法,通过CPSO算法优化SVM得到诊断模型。在ZT-3试验台对汽轮机转子常见4种故障(正常状态、转子不平衡、转子不对中和动静碰磨状态)状态进行模拟实验,获取故障数据后进行故障识别研究。研究表明:在相同测试样本的条件下,CPSO-SVM诊断模型的识别准确率为95%,比PSO-SVM诊断模型提高了5%,运行时间为22.055 s,比PSO缩短了14.5 s。研究结果验证了CPSO-SVM算法在汽轮机转子故障诊断方面的优越性。     

基于内禀模态能量熵与支持向量机的转子故障智能诊断方法的研究

大型旋转机械转子的运转情况是生产过程中最重要的问题之一,在故障初期对故障识别并实现智能诊断具有重要的意义。然而大型旋转机械存在较大的非线性,并且故障样本较少,给特征提取和状态识别带来了很大困难。基于经验模态分解(EMD)后内禀模态函数的能量熵,提取各个内禀模态函数的能量作为特征向量,并以此作为支持向量机(SVM)的输入参数来输入支持向量机进行故障诊断。实验表明这种方法能够对故障状态与正常状态正确分类,实现故障的智能诊断。     

发动机磨损模式的FGRD识别模型

发动机磨损模式识别是实现发动机故障诊断和状态监测的关键环节.根据灰色系统理论和模糊数学,引进了一种灰关联度综合评价模型和模糊相对权重的概念.根据铁谱分析的磨粒识别结果,将两者相结合运用到铁谱分析的磨粒识别中,提出了一种新的基于模糊灰关联度的发动机磨损模式识别方法,计算表明,方法是有效的.     

基于云粒子群优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出了一种基于云粒子群算法(cloud particle swarm optimization,简称CPSO)优化支持向量机(support vector machine,简称SVM)的故障诊断方法。首先,将云理论与粒子群算法(PSO)相结合得到CPSO算法;其次,通过CPSO算法优化的SVM得到诊断模型;最后,通过ZT-3转子试验台进行汽轮机转子常见故障模拟实验,获取故障数据后进行故障识别研究。结果表明:与PSO-SVM模型相比,CPSO-SVM的诊断模型可以准确、高效地识别出故障类型,证明了该诊断方法的有效性和可行性。     

基于CEEMDAN与CBBO-SVM的汽轮机转子故障诊断研究

为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于CEEMDAN(自适应噪声完备集合经验模态分解)和CBBO(混沌生物地理学优化算法)优化SVM(支持向量机)相结合的故障诊断方法。首先利用CEEMDAN对转子振动信号进行分解,提取PE(排列熵)作为故障特征值,并构造特征向量;其次将混沌理论引入到BBO(生物地理学优化算法)中,得到CBBO,通过CBBO优化SVM得到诊断模型的最优参数。最后通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性与先进性。结果表明:CBBO优化SVM模型可以准确、高效地对汽轮机转子进行故障诊断;与CPSO(混沌粒子群算法)优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。