基于HOS奇异值谱的SVDD轴承故障检测方法

针对轴承故障检测中异常样本不易收集、数据分布不均以及阈值设定等问题,提出了基于支持向量数据描述(SVDD)的轴承故障检测方法.该方法只需对正常样本进行训练.以高阶统计矩阵奇异值谱为故障诊断特征,解决了高阶统计特征(HOS)数据冗余且受噪声影响的不足.实验分析了不同参数对检测性能的影响,并将本方法与多层感知机(MLP)方法及K均值聚类方法进行了比较,验证了方法的有效性和正确性.     

基于超球优化支持向量数据描述的滚动轴承故障检测

在仅有轴承正常运行数据的小样本情况下,支持向量数据描述(SVDD)能通过对多维特征的融合实现滚动轴承的故障检测与状态评估,但特征向量空间分布的复杂程度会直接影响SVDD的效果。为此,提出了一种基于超球优化支持向量数据描述的滚动轴承故障检测方法,通过超球优化改善特征向量的空间分布以降低数据描述任务的难度,进而使得超球优化SVDD能更有效地识别出滚动轴承故障。多组试验表明:在不同转速、不同测点、不同类型的滚动轴承故障下,超球优化SVDD比传统的SVDD方法效果更优。     

基于支持向量机的故障诊断方法研究

针对故障诊断中存在的故障样本不完备问题,提出一种基于支持向量数据描述(SVDD)与支持向量机(SVM)相结合的故障诊断方法。该方法首先以正常状态下的数据样本与已知故障数据样本为整体建立数据描述模型、依据已知故障数据样本建立支持向量分类机模型,然后对输入的测试数据样本采用SVDD进行拒绝与接受处理,被接受的样本再利用支持向量分类机进行具体类别诊断;被拒绝的样本则为未知故障类型。数值试验表明,该方法可以有效处理故障样本不完备的故障诊断问题,能够对已知故障类型进行准确判断,并对未知故障类型给出提示,具有一定的实践意义。     

基于VMD散布熵与改进灰狼优化SVDD的轴承半监督故障诊断研究

为充分挖掘未标记样本所蕴含的有效信息,进而提升诊断精度,研究提出一种基于变分模态分解(VMD)散布熵与改进灰狼优化支持向量数据描述(SVDD)的轴承半监督故障诊断方法。采用中心频率观察法确定VMD分解模态参数K,进而将原始信号分解为一系列本征模态函数并计算各分量的散布熵值,构成测试样本和部分标记的训练样本;再由半监督模糊C均值(SSFCM)聚类对训练样本进行聚类分析,从而对所得聚类簇进行SVDD建模,同时采用k近邻准则进行决策优化,并由所提自适应变异灰狼算法优化SVDD模型参数;将基于最优参数训练的改进决策SVDD模型用于测试样本的故障模式识别。试验分析和对比结果表明,所提方法具有较好的诊断性能。     

基于可拓学和SVDD的轴箱轴承故障监测

为监测轴箱轴承的故障状态,提出了一种基于可拓学和支持向量数据描述(SVDD)的轴承故障监测方法。该方法充分利用了可拓学的定性定量描述特性和SVDD的单值分类特性:通过特征提取构建轴箱轴承的运行状态物元;训练SVDD的单值分类器,通过求取最小超球体的支持向量来获取物元模型的特征参数经典域;利用关联函数对轴箱轴承的故障状态进行定性定量评估。通过分析轴箱轴承的实际振动信号,证明了该方法的可行性及有效性。     

基于VMD和SVDD结合的滚动轴承性能退化程度定量评估

提出了一种基于变分模态分解(VMD)和支持向量数据描述(SVDD)相结合的滚动轴承性能退化程度定量评估方法。针对采样时间长、采集到的信号数据点多时,信号中某些部分可能受到异常信号干扰的问题,首先提出了一种基于VMD和SVDD结合的特征提取新方法,将长信号分为多帧短信号,分别使用VMD方法分解短信号并提取各分量的奇异值组成特征向量,得到一组特征向量集,然后使用SVDD方法找到并剔除其中的异常样本点,求出剩余特征向量的平均值便可作为原信号的特征。特征提取完毕后,使用SVDD方法进行性能退化评估,以待检样本到训练得到的超球体模型球心的距离描述性能退化程度,并使用隶属函数将距离指标转化为与正常状态的隶属度作为性能退化指标,实现设备的性能退化程度的定量评估。使用轴承全寿命数据,并与以传统时域无量纲指标作为特征的分析结果进行了对比,验证了所提出方法的优越性。     

基于SVDD的机械设备状态监测方法研究

提出基于支持向量数据描述(SVDD)的机械设备状态监测方法。该方法首先依据正常运行状态下的数据样本建立数据描述模板,然后通过本文提出的距离变化率参数完成机械设备故障的识别和分类,通过实验验证该方法的可行性。而且实验结果表明,该方法可以根据设备使用状态的变化自动调整故障判断模型并减少模型重新学习次数。