基于集总经验模式分解和支持向量机的液压泵故障预测研究

液压泵的性能直接影响整个液压系统的正常工作,为此需要对其进行状态监测和故障预测。采集液压泵的振动信号,运用集总经验模式分解(EEMD)和平滑能量算子解调相结合的方法进行包络解调;采取小波包分析方法得到了故障特征向量;在研究支持向量机回归估计基本原理的基础上,建立了小波包分解和支持向量机相结合的预测模型。采用液压泵历史数据对模型进行了验证,结果表明,基于支持向量机的预测模型和故障映射模型可以有效地对液压泵进行故障预测。     

基于SVM的柴油机油液光谱预测模型研究

针对传统油液光谱预测模型存在的缺陷,利用支持向量机(SVM)的回归算法建立光谱预测模型。支持向量机的非线性回归方法得到的回归函数对光谱历史数据有良好的逼近效果,通过SVM回归函数的外推计算建立的SVM回归预测模型能有效消除换油和采样间隔不一致对模型预测效果的影响,具有更广泛的应用范围。     

基于IOWGA算子的转子系统磨粒浓度组合预测方法

为了准确地得到转子系统滑动轴承磨损的预测结果,基于IOWGA算子的组合预测方法的理论,提出一种最小二乘支持向量机回归预测、灰色预测及指数平滑法相结合的组合预测方法,建立一种新的预测转子系统滑动轴承磨损磨粒浓度的组合预测模型及其评价指标体系。在单跨双圆盘转子试验台上进行试验,提取铁谱片上滑动轴承磨损的浓度数据,利用各项预测模型对磨损磨粒浓度变化趋势进行预测,并比较各项预测模型的预测结果。实例结果表明:基于IOWGA算子的组合预测模型的预测精度较高,是预测润滑油中磨粒浓度变化趋势的一种有效方法。     

基于分形与支持向量回归的动力装置运行状态预测模型

分析了动力装置运行状态特点和预测要求,依据分形和支持向量回归理论,建立了基于分形与支持向量回归的状态趋势预测模型。其中,以振动烈度作为描述机组状态的特征数据来构建时间序列,对其进行相空间重构,根据最小嵌入维数来确定支持向量机输入节点数,采用支持向量回归算法对机组状态趋势进行预测。应用案例研究和实验对比分析的结果表明,研究的状态预测模型单步预测的平均相对误差为1.7881%, 30步预测的平均相对误差为3.3983%,预测模型能较好地满足动力装置状态趋势预测要求。     

基于支持向量机回归算法的疲劳寿命预测研究

根据材料疲劳损伤的特点,提出了基于支持向量机回归算法的材料疲劳寿命预测方法。收集材料疲劳性能数据构建训练样本集,建立基于支持向量机回归算法的疲劳寿命预测模型,对疲劳载荷预处理后就可以计算出疲劳寿命。预测结果表明,该方法可利用较少的材料疲劳性能数据,实现疲劳寿命的预测。     

一种新的机电设备状态趋势智能混合预测模型

针对机电设备运行状态受多因素影响，变化趋势复杂，难以用单一预测方法进行有效预测的问题，提出一种新的基于改进灰色系统一支持向量机一神经模糊系统的智能混合预测模型。该模型首先利用改进灰色系统弱化数据序列波动性、支持向量机处理小样本和模糊神经系统处理非线性模糊信息的优点，分别进行趋势预测，然后通过改进遗传算法对这三者的预测结果进行自适应加权组合。将该模型应用于信号随机波动性较强、趋势变化复杂的标准算例和某机组振动趋势的预测中，研究结果表明，该模型的预测性能均优于上述三种单一预测方法。     

基于小波包一混沌支持向量机的液压泵压力信号预测

针对液压泵压力信号呈现的非线性、非平稳的特性,提出一种将小波包分析、相空间重构理论与支持向量机(SVM)相结合的预测方法,实现液压泵压力信号监测数据的建模及预测。首先将采集到的压力信号通过小波包进行分解,将分解得到的各个分量进行重构,其次对重构后的每一个分量通过混沌支持向量机预测模型进行预测,最后对各预测值进行合成。试验数据表明,该方法能够有效地预测液压泵压力信号的变化趋势,具有较高的预测精度,可有效地应用于系统的状态监测和故障预测。     

基于支持向量机的车内噪声声品质预测

提出了采用支持向量机的车内噪声声品质预测方法,对采集的车内噪声样本采用基于小样本理论的支持向量机回归方法,建立车内噪声声品质客观评价参量与主观评价结果的关系模型对车内噪声声品质进行预测.实例分析表明,选取适当的车内噪声声品质客观评价参量,利用支持向量机回归方法建立的车内噪声声品质预测模型的预测精度较高.     

基于数据挖掘技术的齿轮传动系统啮合接触特性分析

针对在多工况、多不确定性参数所形成的大数据下齿轮传动系统啮合接触特性分析困难的问题，提出了一种基于数据挖掘技术的齿轮传动系统啮合接触特性分析方法。基于多维高斯分布原理与齿轮传动系统有限元模型，构建了系统啮合接触特性数据集；采用最大信息系数分析了各系统参数与啮合接触特性之间的相关性，为预测模型提供了候选特征子集；采用支持向量机和随机森林算法建立了系统啮合接触特性预测模型，实现了对系统啮合接触特性的高效预测。结果表明，基于支持向量机算法的预测模型的预测误差最小，平均绝对百分比误差为3.87%，远小于理论计算误差。其中，在最优特征子集下，基于支持向量机算法的预测模型的各项接触特性预测误差指标显著下降，其平均绝对百分比误差降至3.03%，比优化前的接触特性预测误差减小了21.71%，验证了所提方法的精确性与有效性。     

基于灰色支持向量机的汽车制动系统故障诊断与预测

分析了灰色预测方法和支持向量机各自的优缺点,提出了将二者相结合的一种新的预测模型-灰色支持向量机预测模型。为了提高预测精度,用粒子群算法对灰色支持向量机的相关初始化参数进行优化,用优化后的模型对汽车制动系统故障进行预测与诊断。实验结果表明文章所提出的预测模型有效可靠,为提高预测精度提供了新的途径。     

基于支持向量机的旋转机械故障诊断

把支持向量机应用于诊断旋转机械不平衡和转静碰摩故障，利用转子故障实验器分别对多项式和径向基核函数进行了实验比较，选取了不同振动参数作为特征量输入支持向量机进行学习和测试。结果表明．两种不同核函数的支持向量机在各种条件下所获得的最优故障诊断准确率很接近。这说明支持向量机的性能对结构（核函数）的依赖性很小，便于在工程中应用，但特征量的选取对故障诊断准确率影响很大。对于诊断不平衡和转静碰摩故障．一、二和三阶正、反进动量是最适合的故障诊断特征量。用正、反进动量构造出SV-进动图，可明确、形象地显示故障分类面，有助于诊断故障。     

Compound rub malfunctions feature extraction based on full-spectrum cascade analysis and SVM

The acceleration signals of operational rotor vibration provide a lot of information about its running behaviour. The acceleration signal features of identification and extraction in the process of speed change are important for the fault diagnosis of rotating machinery. The full-spectrum cascade analysis of rotating machinery vibrations is an efficient method that enables the symptoms of some special types of fault (especially for rub) to be clearly detected. Some typical compound rub malfunctions have been researched by experiments in this study. Acceleration signals have been received by the experimental apparatus and analysed by full spectrum. The abrupt changes in surging acceleration signals of rotor malfunctions can be detected and their fault feature spectra shown in full-spectrum cascade plots. The full-spectrum experimental data are applied to the support vector machine (SVM) training to be classified. The results indicate the potential and feasibility of this approach for the diagnosis of rotor malfunctions. The full-spectrum cascade plot can enhance the feature information for the knowledge base of the rotating machinery rub fault diagnosis system and is of great significance to diagnose compound rub faults in a rotor more accurately.     

基于局部切空间排列和K-最近邻分类器的转子故障诊断方法

为了解决大型机械设备故障数据难以准确快速提取的问题,提出了一种基于局部切空间排列(LTSA)和K-最近邻分类器的转子故障诊断模型。首先基于转子的振动信号构造一个高维多征兆矩阵,利用LTSA提取高维矩阵的低维特征向量,映射在可视空间里;然后将提取的低维特征向量输入K-最近邻分类器进行故障模式识别。试验和数据降维仿真过程表明,该模型的准确度和快速性均优于LTSA和神经网络以及LTSA和支持向量机组成的故障诊断模型。     

基于等距特征映射和支持矢量机的转子故障诊断方法

针对振动信号的非线性特征,提出一种基于等距特征映射(Isometric feature mapping,ISOMAP)和支持矢量机(Support vector machine,SVM)的转子故障诊断方法。利用ISOMAP把数据从高维空间投影到低维空间而不改变数据内在属性的特点,对高维的故障振动信号降维并提取出低维的数据作为特征矢量,采用一种新核函数支持矢量机作为分类器进行故障诊断。将该方法应用于转子故障诊断,结果表明,ISOMAP-SVM方法不仅具有较高的故障诊断率,而且取得振动信号在低维空间的可视化表示。与其他核函数相比新核函数支持矢量机具有较好的诊断效果。     

Fault diagnosis of rotating machinery based on improved wavelet package transform and SVMs ensemble

This paper presents a novel method for fault diagnosis based on an improved wavelet package transform (IWPT), a distance evaluation technique and the support vector machines (SVMs) ensemble. The method consists of three stages. Firstly, with investigating the feature of impact fault in vibration signals, a biorthogonal wavelet with impact property is constructed via lifting scheme, and the IWPT is carried out to extract salient frequency-band features from raw vibration signals. Then, the faulty features can be detected by envelope spectrum analysis of wavelet package coefficients of the most salient frequency band. Secondly, with the distance evaluation technique, the optimal features are selected from the statistical characteristics of raw signals and wavelet package coefficients, and the energy characteristics of decomposition frequency band. Finally, the optimal features are input into the SVMs ensemble with AdaBoost algorithm to identify the different abnormal cases. The proposed method is applied to the fault diagnosis of rolling element bearings, and testing results show that the SVMs ensemble can reliably separate different fault conditions and identify the severity of incipient faults, which has a better classification performance compared to the single SVMs.     

基于遗传退火优化MSVM的齿轮箱故障诊断

为了实现齿轮箱典型故障的自适应准确辨识,提出一种遗传退火算法优化多核支持向量机的齿轮箱故障诊断模型。首先,将齿轮箱故障振动信号经验模式分解为多个内禀模态分量并提取其幅值能量特征;然后,再基于高斯核和多项式核构建多核支持向量机;最后,将表征齿轮箱故障特征的内禀模态分量能量输入到遗传退火算法优化的多核支持向量机进行故障模式辨识。理论分析表明,多核支持向量机能够逼近任意多元连续函数,遗传退火参数优化可快速准确得到多核支持向量机的全局最优参数向量。通过齿轮箱的故障模拟实验验证了该方法的有效性,结果表明,相比于传统的故障诊断模型,该方法显著提高了齿轮箱典型故障的诊断精度和泛化推广能力。     

基于LCD降噪和VPMCD的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(LCD)降噪和多变量预测模型(VPMCD)的滚动轴承故障诊断方法。该方法首先采用LCD对滚动轴承振动信号进行降噪;然后计算降噪后信号在不同维数下的模糊熵,并以模糊熵为特征值,采用VPMCD方法建立模糊熵的预测模型;最后用所建立的模型来预测待分类样本的特征值,把预测结果作为分类依据进行模式识别。实验分析结果表明,采用LCD方法降噪可以有效地提高VPMCD的分类性能,与神经网络、支持向量机等分类器相比,VPMCD方法可以更准确、更有效地识别滚动轴承的工作状态和故障类型。     

VPMCD和模糊熵在转子系统故障诊断中的应用

针对转子系统的故障特征,提出了基于多变量预测模型（variable predictive mode based class discriminate,简称VPMCD）和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数（intrinsic mode function,简称IMF）分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。     

基于多重分形与SVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳性和非线性,提出一种多重分形和支持向量机相结合的故障诊断方法。运用多重分形理论方法对齿轮振动信号进行分析,通过分析发现多重分形谱和广义维数作为故障特征能够很好地反映齿轮箱的工作状态;对支持向量机的参数利用粒子群优化算法进行优化,并将齿轮箱振动信号的多重分形特征量作为支持向量机的输入参数以识别齿轮的故障类型。实验结果表明,该方法在样本较小的情况下能够准确对齿轮箱的故障类型进行分类。