基于一类超球面支持向量机的机械故障诊断研究

针对机械故障诊断中故障类样本不易获取以及样本分布不均的问题,提出了基于一类超球面支持向量机(SVM)的故障诊断方法,该方法只需要对正常类样本进行训练.试验分析了异常类样本缺失对一类超球面支持向量机性能的影响,并提出模型参数优化选择方法,以提高分类模型的推广能力.分析了不同训练结果的分类能力,并对一类超球面支持向量机与一类超平面支持向量机的分类结果进行比较,验证了前者的正确性和有效性.     

齿轮箱故障非线性特征测度及状态TWSVM辨识研究EI北大核心CSCD

针对齿轮箱振动的非线性,利用非线性特征测度的方法提取齿轮箱振动信号的故障特征。并利用双子支持向量机(TWSVM)对齿轮箱故障类别的辨识性能进行研究。TWSVM努力构造两个非平行的超平面来实现分类,它比支持向量机(SVM)针对多分类问题具有更好的样本不均衡适应性,并且分类性能优势明显。对齿轮箱故障类别辨识的实验表明,与传统的SVM和BP神经网络算法相比较,TWSVM具有更高的分类准确率。     

齿轮箱故障非线性特征测度及状态TWSVM辨识研究

针对齿轮箱振动的非线性,利用非线性特征测度的方法提取齿轮箱振动信号的故障特征。并利用双子支持向量机(TWSVM)对齿轮箱故障类别的辨识性能进行研究。TWSVM努力构造两个非平行的超平面来实现分类,它比支持向量机(SVM)针对多分类问题具有更好的样本不均衡适应性,并且分类性能优势明显。对齿轮箱故障类别辨识的实验表明,与传统的SVM和BP神经网络算法相比较,TWSVM具有更高的分类准确率。     

基于支持向量机的控制系统故障诊断研究

支持向量机(SVM,Support Vector Machines)是构造数据挖掘分类器的一项新型技术,并且成为模式识别和故障诊断的有效工具.为有效利用SVM进行故障诊断,主要从SVM研究热点、分类算法以及基于MATLAB的SVM工具箱进行了论述,详细讨论了工具箱中的分类函数,并对其模型参数选择进行了研究.通过对某控制系统的故障进行诊断,故障诊断结果定位准确,证明了SVM分类的有效性以及特定情况下模型参数选择的可行性.     

不均衡数据下基于SVM的故障检测新算法

针对传统支持向量机(SVM)算法在数据不均衡情况下无法有效实现故障检测的不足,提出一种基于过抽样和代价敏感支持向量机相结合的故障检测新算法。该算法首先利用边界人工少数类过抽样技术(BSMOTE)实现训练样本的均衡。为减少人工增加样本带来的噪声影响,利用K近邻构造一个代价敏感的支持向量机(CSSVM)算法,利用每个样本的代价函数消除噪声样本对SVM算法分类精度的影响。将该算法应用在轴承故障检测中,并同传统的SVM算法,不同类代价敏感SVM-C算法,SVM和SMOTE相结合的算法进行比较,试验结果表明当样本不均衡时,建议算法的故障检测性能较其它算法有显著提高。     

基于网格式支持向量机算法的转轴裂纹故障诊断

支持向量机(SVM)是一种对小样本决策具有良好学习性能的机器学习方法。常规SVM算法是从二类分类问题推导得出的,针对于故障诊断这种典型的多类决策问题,研究了一种网格式支持向量机多类算法,每个类别和其他2至4个类别之间采用常规SVM二值分类器进行分类,所需二值分类器总数少,可扩展性强。把转轴上不同位置的裂纹当作不同的故障,运用网格式支持向量机进行转轴裂纹位置故障诊断,结果表明该算法具有计算量小、诊断速度快、故障识别率高、容易扩展等优点,适合于较大规模的多类别故障诊断应用。     

基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。     

基于两阶段学习的半监督SVM故障检测方法

提出一种基于两阶段学习的半监督SVM故障检测方法。该方法首先使用标识传递算法给未标识样本赋予初始伪标识,并通过k近邻图对比样本点标识值,将可能是噪声的样本点识别并剔除;然后将去噪处理后的样本集输入到SVM中,使得SVM在训练时能兼顾整个样本集的信息,从而提高SVM的故障检测性能。实验中将该方法同支持向量机(SVM)、模糊支持向量机(FSVM)、直推式支持向量机(TSVM)及拉普拉斯支持向量机算法(LapSVM)进行比较,结果表明该方法在不同数目标识样本集合的情况下,检测精度较其他算法有较大幅度提高,同时该方法还比较了不含测试样本和含测试样本训练条件下的故障检测性能,结果表明结合测试样本可进一步提高算法的故障检测性能。     

基于ICA和SVM的滚动轴承声发射故障诊断技术

以滚动轴承为研究对象,提出了应用独立分量分析(ICA)和支持向量机(SVM)相结合进行滚动轴承故障诊断的方法.首先,对声发射信号(AE)进行自相关预处理,突出声发射信号的非高斯成分,使AE信号较好地满足独立分量分析的前提条件.然后,应用独立分量快速算法分离故障轴承的声发射信号,提取其状态特征向量,利用支持向量机的模式识别和非线性回归功能来完成滚动轴承故障的识别.试验结果表明,利用独立分量分析方法提取的故障状态特征向量与支持向量机相结合可以有效、准确地识别滚动轴承的故障模式,为滚动轴承故障诊断提供了一种新型的方法.     

基于DEMD和模糊熵的滚动轴承故障诊断方法研究

提出一种基于微分的经验模式分解(DEMD)模糊熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。首先对信号进行基于微分的经验模式分解,得到若干具有物理意义的本征模函数(IMF)分量,再利用相关度准则对固有模式分量进行筛选,计算所选分量的模糊熵,组成故障特征向量,然后将其作为支持向量机的输入来识别滚动轴承的状态。并将该方法与基于EMD模糊熵和SVM相结合的方法进行比较,实验结果表明该方法对机械故障信号能够更有效准确地进行识别分类。