基于支持向量机和顺序前项选择算法的PNN风电机组液压变桨的故障诊断

针对液压变桨距系统的强耦合、非线性,以及液压变桨距故障发生原因复杂、故障单一造成的定位问题,该文提出基于支持向量机和顺序前项选择算法的概率神经网络诊断方法。首先,选取SCADA数据的特征值为输入,桨距角为输出,利用支持向量机进行模型的回归,得出桨距角输出的预测值;接着,将测量值与预测值带入顺序前项选择算法,挖掘和发现特征与故障之间的关系,评估各特征之间的重要性,并选出最好的一组特征集合;最后,建立变桨距概率诊断模型,将所选的数据送到故障诊断模型进行训练,再用所选数据进行测试,定位出变桨距系统的故障原因。实验分析表明:基于支持向量机和顺序前项选择算法的概率神经网络液压变桨距故障诊断方法可以有效地分辨出不同故障,并且诊断的精确度得到了提高。     

基于Small RTOS51的加速溶剂萃取仪器的研制与开发

在基于微阵列的癌症分类中,由于变量(基因表达)较多,而实验条件较少,因此特征选择和分类方法非常重要.对于疾病诊断,分类器的性能直接影响到最终结果的准确性.本文提出一种新的基因选择和分类方法,这种方法使用基于递归特征排除(RFE)的非线性核支持向量机(SVM).实验表明本文方法比其它线性分类方法具有更好的整体表现,如线性核支持向量机和Fisher线性判别分析方法;同样本文方法也比一些非线性分类方法更好,如采用非线性核的最小二乘支持向量机(LS-SVM).实验除了使用测试集,还使用留一校验算法(leave-one-out)用于测试分类器的泛化性能.实验采用可通过互联网获得的AML/ALL数据集和遗传性乳腺癌数据集.     

采用非线性核支持向量机并基于基因表达数据的基因选择和分类

在基于微阵列的癌症分类中,由于变量(基因表达)较多,而实验条件较少,因此特征选择和分类方法非常重要.对于疾病诊断,分类器的性能直接影响到最终结果的准确性.本文提出一种新的基因选择和分类方法,这种方法使用基于递归特征排除(RFE)的非线性核支持向量机(SVM).实验表明本文方法比其它线性分类方法具有更好的整体表现,如线性核支持向量机和Fisher线性判别分析方法;同样本文方法也比一些非线性分类方法更好,如采用非线性核的最小二乘支持向量机(LS-SVM).实验除了使用测试集,还使用留一校验算法(leave-one-out)用于测试分类器的泛化性能.实验采用可通过互联网获得的AML/ALL数据集和遗传性乳腺癌数据集.     

LSSVM的特征选择算法在烧结过程的应用

炼铁厂的烧结过程是一个复杂的多变量、非线性的物理和化学过程,为了更好地对烧结过程进行建模,在研究最小二乘支持向量机和特征选择的基础上,提出了最小二乘支持向量机的特征选择算法。首先,利用最小二乘支持向量机对烧结样本数据的每一个特征进行训练和预测,记录其预测精度;然后,将样本特征按预测精度排序;最后,按新的特征顺序,逐个递增特征个数对样本数据进行训练和预测。烧结数据的实验结果显示,LSSVM的特征选择算法具有计算的高效性和预测的高精度两优势,证明所提算法的有效性。在所有的特征上对烧结数据进行拟合实验,对比经典SVM、最小二乘和神经网络算法的实验结果,LSSVM可以用很少的时间,得到很理想的拟合效果。     

基于偏置经验特征映射的电路故障诊断方法

基于支持向量机的模拟电路故障诊断方法已经成为故障诊断领域的研究热点.然而,在该方法实用化过程中,故障样本集中存在的不平衡分布问题严重影响了该方法的整体诊断性能.针对该问题,提出一种基于偏置经验特征映射的故障诊断方法,该方法将故障样本集映射至经验特征空间,并在该特征空间中使用偏置判别分析准则作为核函数优化的目标函数,最大化所有正常样本同故障样本中心的距离,从而提高故障诊断方法的整体诊断能力.标准数据集以及真实电路上的实验效果表明,提出的方法可以大大缓解由于样本不平衡造成的支持向量机诊断效果下降的问题,从而提高了基于支持向量机的电路故障诊断法方法的适用范围.     

基于PCA-SVM集成阀门故障诊断方法研究

提出了一种基于主元分析和支持向量多分类器的故障诊断方法.该方法首先对工业故障数据进行主元分析提取数据集特征并降低数据维数,再把故障特征数据通过支持向量多分类器进行模式分类,最后通过特征分类诊断故障.在DAMADICS阀门模型上进行了仿真,并利用Lublin Sugar Factory工业故障数据进行了验证.仿真结果表明该方法可以快速准确地检测与诊断故障.     

遗传算法和支持向量机在机械故障诊断中的应用研究

提出一种基于遗传算法和支持向量机的故障诊断方法,利用遗传算法对故障特征集和支持向量机的参数同时进行优化,然后把优化选择的故障特征输入支持向量机进行故障识别.既剔除了故障特征的冗余性、减少了计算量,又解决了支持向量机的参数难以选择等问题.诊断实例表明,该方法能利用较少的故障特征得到较高的诊断精度.     

一种聚类分层决策的SVM模拟电路故障诊断方法

支持向量机用于模拟电路多种故障诊断时,其多分类扩展策略与诊断的效率和正确率密切相关。本文提出模糊聚类与支持向量机集成的算法,通过分析电路故障特征数据的空间分布特性,以多级二叉树结构的SVM实现故障的分级诊断。通过对各故障模式两种小波特征的逐次聚类二分获得二叉树,根据F测度为每个节点的SVM选择具有最大分类间隔的故障子类及特征,避免了不可分故障区域的出现,从而优化了SVM的组合策略。采用该方法组建的SVM结构简单,在滤波器电路的故障诊断中获得良好的效果。与几种常用的SVM方法相比,本文方法有效地提高了故障诊断的精度和效率。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

基于SIE和SVR的液压泵故障定量诊断

为更好地实现液压泵故障定量诊断,对故障定量诊断中的退化特征提取和故障程度诊断方法进行研究。针对排列熵算法的不足,提出空间信息熵(spatial information entropy,简称SIE)的概念,分析了空间信息熵3个参数(时间序列的分区数s、相空间重构的嵌入维数m和延迟时间τ)变化对其性能带来的影响,为其选取提供了依据。仿真分析结果也验证了其作为液压泵退化特征的有效性和优越性。基于空间信息熵算法提取液压泵故障退化特征集,针对退化特征与故障程度之间存在的非线性关系,提出采用果蝇优化算法优化参数的支持向量回归机实现液压泵的故障定量诊断。对实测液压泵振动信号分析结果表明,空间信息熵在表征液压泵故障程度方面具有更好的性能。将果蝇算法优化参数的支持向量回归机用于液压泵的故障定量诊断得到了理想的定量诊断效果,并通过对比分析验证了提出的支持向量回归机模型的有效性和优越性。     

基于支持向量机的机械故障特征选择方法研究

在机械故障诊断中,对机器状态信号进行处理可得到故障特征集。但是此特征集中通常含有冗余特征而影响诊断效果。特征选择可以去除原始特征中的冗余特征,提高诊断精度和诊断效率。本文提出采用支持向量机(SVM)作为决策分类器,研究了使用SVM的错误上界如半径-间距上界代替学习错误率作为特征性能评价,并且使用遗传算法对特征集进行寻优的特征选择方法。此方法由于只需要训练一次SVM,相比常用的分组轮换方法有较高的计算效率。数值仿真和减速器的轴承故障特征选择试验中,采用此方法对生成特征集进行选择,并与常用的分组轮换法进行了对比。结果显示此方法有较好的选择性能和选择效率。     

Fault diagnosis of rotary kiln using SVM and binary ACO

This paper proposes a novel hybrid algorithm for fault diagnosis of rotary kiln based on a binary ant colony (BACO) and support vector machine (SVM). The algorithm can find a subset selection which is attained through the elimination of the features that produce noise or are strictly correlated with other already selected features. The BACO algorithm can improve classification accuracy with an appropriate feature subset and optimal parameters of SVM. The proposed algorithm is easily implemented and because of use of a simple filter in that, its computational complexity is very low. The performance of the proposed algorithm is evaluated through two real Rotary Cement kiln datasets. The results show that our algorithm outperforms existing algorithms.     

基于灵敏度分析的支持矢量机特征选择

特征选择可以去除冗余特征提高机械故障诊断精度和诊断效率。对于支持矢量机(SVM)作为故障决策器, 提出基于特征灵敏度分析的特征选择方法。此方法通过分析候选特征子集对SVM输出的影响大小,以此作为特征选择标准,并采用遗传算法搜索最佳特征子集。数值仿真和柴油机故障特征选择试验结果显示此方法有较好的寻优特征子集的能力,能够提高故障诊断的精度和效率。     

基于核函数估计的转子故障诊断方法

研究核函数估计方法(KFA)在机械故障诊断中的应用问题,提出一种基于特征样本选择的转子故障模式分类方法。通过计算转子振动信号原始特征空间的内积核函数,将所有原始特征样本映射到高维特征空间,在高维空间中选择特征样本对转子裂纹、转子不平衡及转子碰摩三种故障模式进行分类识别,选择的特征样本远小于样本集中全体样本的数目,提高了运算速度。比较了KFA分类方法与支持矢量机(SVM)分类方法的效果,结果表明,在保证分类精度的条件下,KFA方法可以明显减少运算量,性能更优越。     

Fault diagnostics based on particle swarm optimisation and support vector machines

In the fault diagnosis based on support vector machines (SVM), irrelevant variables in the fault samples spoil the performance of the SVM classifier and reduce the recognition accuracy. On the other hand, some SVM parameters are usually selected artificially, which hampers the efficiency of the SVM algorithm in practical applications. A new method that jointly optimises the feature selection and the SVM parameters with a modified discrete particle swarm optimisation is presented in this paper. A correct ratio based on a new evaluation method is used to estimate the performance of the SVM, and serves as the target function in the optimisation problem. A hybrid vector that describes both the fault features and the SVM parameters is taken as the constraint condition. This new method can select the best fault features in a shorter time, and improves the performance of the SVM classifier, and has fewer errors and a better real-time capacity than the method based on principal component analysis (PCA) and SVM, or the method based on Genetic Algorithm (GA) and SVM, as shown in the application of fault diagnosis of the turbo pump rotor.     

基于小波包变换和GA-PLS算法的故障特征选择方法

为了提高故障诊断的分类精度,减小分类运算时间等问题,需要从原始特征集合中选择出更为优化的特征子集合,因此,提出了一种基于小波包变换和GA-PLS算法的特征选择方法。首先,采用小波包变换对提取出的振动信号进行分解,从而得到小波包的分解系数;其次,运用遗传算法 偏最小二乘法从原始信号和小波包系数的统计学特征中选择出最优特征集;最后,将最优特征集作为输入,输入到支持向量机中以实现对不同故障的诊断与识别。应用于轴向柱塞泵故障诊断中,与现有特征选择方法对比,实验结果验证了本研究特征选择方法的有效性。     

基于邻域属性重要度与主成分分析的齿轮箱故障特征约简

为有效降低齿轮箱故障特征的维数并提高诊断效率,提出了基于邻域属性重要度与主成分分析法相结合的齿轮箱故障特征约简方法,并利用支持向量机和BP神经网络对诊断的准确率进行对比分析。针对齿轮箱中具有不同程度裂纹的齿轮,选取其时域、频域和基于希尔伯特变换的36个特征;将邻域模型引入到特征属性的约简,构造前向贪心算法,以邻域属性重要度较大的9个特征作为特征集,提取累积贡献率达到95%以上的主成分,分别输入支持向量机和BP神经网络分类器中进行分类识别,并与不经过特征优选的主成分特征融合相对比。结果表明,采用基于邻域属性重要度与主成分分析法相结合的特征约简方法,既可以降低齿轮箱故障特征的维数,又不影响对其运行状态的表征,有助于识别不同裂纹水平的齿轮,与不经过特征优选直接进行融合的方法相比,所提出方法诊断准确率更高,训练时间更短。     

钢筋混凝土框架近断层速度脉冲地震响应分析

针对滚动轴承的故障诊断问题，提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder，简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization，简称IGWO)以及支持向量机(support vector machine，简称SVM)的混合智能故障诊断模型。首先，利用栈式自编码网络强大的特征自提取能力，实现故障信号深层频谱特征的自适应学习，通过引入稀疏项约束提高特征学习的泛化性能；其次，利用改进的灰狼算法实现支持向量机的参数优化；最后，基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能，避免了手工特征提取的弊端，可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明，相比传统方法，笔者所提出的模型具有更优秀的故障识别能力，诊断准确率可达98%以上。     

A data driven approach for condition monitoring of wind turbine blade using vibration signals through best-first tree algorithm and functional trees algorithm: A comparative study

Wind energy is one of the important renewable energy resources available in nature. It is one of the major resources for production of energy because of its dependability due to the development of the technology and relatively low cost. Wind energy is converted into electrical energy using rotating blades. Due to environmental conditions and large structure, the blades are subjected to various vibration forces that may cause damage to the blades. This leads to a liability in energy production and turbine shutdown. The downtime can be reduced when the blades are diagnosed continuously using structural health condition monitoring. These are considered as a pattern recognition problem which consists of three phases namely, feature extraction, feature selection, and feature classification. In this study, statistical features were extracted from vibration signals, feature selection was carried out using a J48 decision tree algorithm and feature classification was performed using best-first tree algorithm and functional trees algorithm. The better algorithm is suggested for fault diagnosis of wind turbine blade.     

利用声场空间分布特征诊断滚动轴承故障

基于振动信号分析的特征提取是目前最主要的机械故障诊断方法,而振动信号的获取受到接触式测量的限制,基于声学测量的故障诊断能够克服这一缺点,但传统基于单通道测试的声学诊断技术存在测点选择难和局部诊断的不足。基于近场声全息技术提出一种用于滚动轴承故障诊断的声场分布特征提取方法。不同轴承故障能产生不同的振动特性,进而产生相应的声场分布,鉴于轴承状态与声场分布特性的对应关系,利用近场声全息算法重建声源附近各轴承运行状态下的声场,得到反映声场分布的二维声像图,再从声像图中提取故障相关的灰度共生矩阵特征,建立声场分布特性与轴承运行状态间的内在联系,结合支持矢量机模式分类,用于轴承的故障诊断。研究表明所提出的声场分布特征提取方法能够有效地用于滚动轴承的各类故障诊断,为机械故障诊断提供了新的参考。