基于多重分形与SVM的异步电动机轴承故障诊断

针对异步电动机轴承的故障诊断问题,提出一种基于多重分形与支持向量机(SVM,support vector machine)相结合的故障诊断方法.根据轴承振动信号的非线性、非平稳特性,利用多重分形方法对信号进行分析.计算广义维数、极大值、谱宽度、偏斜度等参数,将其作为故障特征向量输入SVM中.利用凯斯西储大学的实验数据对诊断方法进行验证,将获得的多重分形参数输入二叉树SVM完成故障的模式识别.结果表明多重分形与二叉树SVM相结合的诊断方法可行性好,诊断精度高.     

基于DCT和GA-SVM的轴承故障诊断

针对轴承故障振动信号特点,提出一种基于离散余弦变换(DCT)、遗传算法(GA)和支持向量机(SVM)的轴承故障诊断方法.利用DCT的能量聚集性在广义频域建立原始特征向量集,运用GA以SVM的最低分类错误率为目标函数建立故障特征向量集,使用SVM完成轴承故障诊断.分别对轴承内圈故障、外圈故障、滚动体故障进行故障诊断,结果表明,该方法能够准确诊断轴承故障.     

机械故障矢功率谱—支持向量机识别方法研究

与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面。而支持向量机为解决机械故障诊断中有限的故障样本识别问题提供了一种有力的工具。基于此,结合矢功率谱和支持向量机,提出了一种故障诊断的新方法。该方法是以矢功率谱作为特征输入到支持向量机的多故障分类器进行故障识别,并应用到旋转机械故障诊断中。同时,该方法还与基于矢功率谱的径向基函数网络识别结果进行了比较,实验结果表明,该方法是有效的,尤其在小样本情况下,SVM识别效果明显优于径向基函数网络。     

基于复Morlet小波的主变压器温度监测仪表故障诊断

针对传统主变压器温度监测仪表故障诊断准确率低的问题,设计一种基于谱峭度与复Morlet小波的主变压器温度监测仪表故障诊断系统。首先,通过采集板中的温度传感器进行主变压器温度和振动数据采集;然后将采集数据传输至处理板,利用谱峭度提取温度监测仪表中的脉冲信号,从而获取复Morlet小波的中心频率和尺度;最后通过复Morlet小波进行信号处理,以此提升温度监测仪表的故障诊断准确率。结果表明,采用谱峭度法进行主变压器内环轴承振动数据提取的中心频率和带宽分别为1.75 kHz和500 Hz,可确定内环轴承故障的谱峭度共振频率为1.5 kHz～2 kHz。设定的内环故障频率为162.2 Hz,采用复Morlet小波进行变换后,在包络频域的163 Hz处出现峰值,找到主变压器温度监测仪表内环轴承的故障。由此说明,本方法可实现温度监测仪表信号的共振频率提取。可有效屏蔽外部噪声干扰,提高主变压器温度监测仪表故障诊断精度。     

机械故障矢功率谱-支持向量机识别方法研究

与传统功率谱相比．矢功率谱融合了多通道的能量信息，反映的信息更全面。而支持向量机为解决机械故障诊断中有限的故障样本识别问题提供了一种有力的工具。基于此，结合矢功率谱和支持向量机，提出了一种故障诊断的新方法。该方法是以矢功率谱作为特征输入到支持向量机的多故障分类器进行故障识别．并应用到旋转机械故障诊断中。同时，该方法还与基于矢功率谱的径向基函数网络识别结果进行了比较，实验结果表明，该方法是有效的，尤其在小样本情况下，SVM识别效果明显优于径向基函数网络。     

基于改进的EEMD-Hilbert包络解调轴箱轴承故障诊断

为解决在轴箱轴承故障诊断中,原始振动信号带通滤波器参数选择依靠主观工作经验,EEMD分解技术中多个IMF分量分析效率及准确性较低等问题,提出一种改进的EEMD-Hilbert包络解调方法.该方法采用EEMD对原始信号进行分解,利用双相关系数法及阈值法选取有效本征模态分量,通过对本征模态分量进行Hilbert包络解调,获取包络信号幅值谱作为故障特征量进行轴箱轴承故障诊断.并通过轴箱轴承实验台测试验证了该方法的有效性.     

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Infogram的重复瞬态特征提取与旋转机械故障诊断

针对旋转机械常见故障类型与检测问题,考虑到旋转机械故障振动信号的重复瞬态、冲击和循环平稳特性,提出基于Inogram的重复瞬态特征提取与旋转机械故障诊断方法.不同于谱峭度、快速谱峭度图以及包络谱,Infogram不仅能够同时在时域和频域捕获重复瞬态特征,而且以热力学的平衡态分离思想为基础能够测量信号平方包络和平方包络谱的负熵,因此它对冲击和循环平稳较为敏感,有助于实现旋转机械故障诊断.通过对仿真和电机轴承实验数据分别用提出方法和集总经验模式分解提取故障征兆特征,结果表明提出方法优于集总经验模式分解方法,能够实现旋转机械关键零部件的故障诊断.     

基于小波包分解和EMD-SVM的轴承故障诊断方法

针对轴承振动信号具有的非平稳和故障诊断样本数据难以按需获取的问题,设计了一种基于小波包分解和EMD SVM的故障诊断方法;首先,采用Mallat塔式算法对信号进行降噪,实现信号的小波分解,获得重构后的故障诊断子频带信号;然后,在经典的EMD算法的基础上定义了改进的EMD算法,采用改进的EMD算法对经过小波包降噪的故障诊断子频带信号进行特征提取,从而获得故障诊断特征向量;最后,采用适合小样本分类的SVM进行故障诊断,将经过小波包降噪和EMD特征提取的样本数据用于训练SVM,得到用于故障诊断的多个二分类SVM故障诊断模型,通过投票机制来确定样本数据最终对应的故障诊断类别:在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中基于小波包和EMD-SVM的方法一种适用于小样本的故障诊断方法,且与其它方法相比,具有诊断效率高和精度高的优点.     

基于混合核学习支持向量机的主减速器故障诊断

主减速器是汽车的重要零部件,同时也是汽车主要的故障源,据此实现一种基于混合核学习支持向量机的故障诊断方法。利用经验模态分解(EMD)与小波阈值函数,以达到对振动信号降噪。利用核主成分分析(KPCA)进行特征向量的提取,获取特征子集的低维向量。以提取的特征向量作为输入值,以支持向量机(SVM)为分类器,经遗传算法参数优化后获取故障识别率。通过研究混合核函数即单核函数的线性组合,实验结果表明,相比与传统的单核学习故障诊断方法,该方法提高了主减速器故障诊断的精度。     

基于小波包能量谱和M-ary SVM的功率变换器故障诊断

针对功率变换器的故障诊断问题,提出一种基于小波包能量谱和M-ary支持向量机的故障诊断方法。首先,通过小波包分解得到故障信号能量谱特征向量,并结合傅里叶变换分析故障信号主要频率特征点,实现故障特征向量的降维;然后,基于M-ary支持向量机的分类模型诊断出功率变换器多故障模式。实验结果表明,相比于传统的BP神经网络和一对一支持向量机故障诊断方法,本文方法诊断精度高,需要的子分类器数目少,诊断速度快,适用于在线故障诊断。      

基于EMD和优化K-均值聚类算法诊断滚动轴承故障

考虑到滚动轴承振动信号的非平稳特征和实际应用中典型故障样本不易获得等原因,而在实际应用中,故障程度识别和故障类型诊断一样重要,提出一种滚动轴承故障类型及故障程度识别方法。首先对原始振动信号进行EMD分解,对含故障特征的IMF(intrinsic mode function)分量进行信号重构,随后对重构信号进行Hilbert包络谱分析,在提取特征量的基础上,应用优化K-均值聚类算法进行故障类型和故障程度分类。实验结果表明:基于EMD和优化K-均值聚类的故障类型和故障程度识别算法,可将含不同故障类型的样本集,按故障类型进行正确分类;也可将含同种故障类型、不同故障程度的样本集,按故障程度进行正确分类。     

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，支持向量机（SVM)是一种基于统计学习理论(SLT)的机器学习算法，它能在训练样本很少的情况下达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．     

基于有理双树复小波和SVM的滚动轴承故诊断方法

滚动轴承故障类型被支持向量机(SVM)智能识别的关键是故障特征的提取。为了提取最优的故障特征,提高SVM的分类识别精度,提出了基于有理双树复小波和SVM的滚动轴承故障诊断方法。首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量,然后对每个分量求能量并作归一化处理,最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型。研究结果表明该方法可以有效、准确地识别轴承的故障模式。     

船舶柴油机故障诊断仿真系统研究

该文阐述了船舶柴油机故障诊断仿真系统的模型、结构与功能,着重介绍了基于RBF神经网络故障诊断方法。本系统具有结构简单、功能齐全等优点,对开发实船柴油机故障诊断的辅助分析系统和培训轮机员熟悉处理故障有实际意义。     

基于变分模态分解改进方法的滚动轴承故障特征提取

针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基 于多相关-变分模态分解(MC-VMD)的滚动轴承故障诊断方法。首先对多加速度传感器采集到的 信号进行多相关处理以突出故障信号特征;然后通过VMD 自适应地将信号分解成多个本征模 态分量(IMFs),运用谱峭度法和包络解调对相关峭度较大的分量进行分析;最后通过包络谱识 别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承故障实例数据中,实验结果表 明,该方法可有效提取滚动轴承故障特征频率信息。     

基于聚类支持向量机的船用污水处理装置故障诊断

针对船用污水处理装置状态监测与故障诊断问题,提出了一种聚类支持向量机的故障诊断算法模型。该算法模型首先采用神经网络聚类算法将设备监测状态样本空间聚类分析出正常与异常子空间,再对异常子空间构造多分类支持向量机对故障进行诊断识别。该算法模型避免了盲目故障分类,提高了分类性能。通过对某船用污水处理装置实测样本的训练和检验表明,该算法具有较好的泛化性和推广能力。     

基于DAGSVM的轴系扭振故障诊断方法

针对船舶轴系扭振故障小样本事件,基于小波包Shannon熵与二叉决策树支持向量机(DAGSVM)理论建立一种轴系扭振故障诊断模型.首先通过船舶轴系扭振实验平台提取轴系扭振四种模式信号;然后利用小波包变换提取Shannon熵值,作为故障输入特征向量;最后利用K-CV交叉验证法提升支持向量机,对故障进行建模识别.试验表明,...