基于RVM的多功能自确认水质检测传感器

提出了一种多功能自确认水质检测传感器功能模型,可以同时测量水的温度、盐度和pH值,并可对自身工作状态进行自确认.提出了一种基于相关向量机的多功能自确认传感器故障诊断和数据恢复方法,在二分类机基础上利用层次扩展方法得到基于相关向量机的多分类机,对传感器进行故障诊断;利用水质检测过程中多个参数之间的相关信息,解决了非线性、小样本条件下的传感器故障数据恢复问题.构建了多功能自确认水质检测传感器实验平台,实验结果表明故障诊断识别率达到98％,数据恢复相对误差在士4％以内,提高了传感器的可靠性.     

基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究

针对齿轮箱的复合故障诊断问题,将深度卷积神经网络(Deep Convolutional Neural Network,DCNN)与XGBoost(e Xtreme Gradient Boosting)算法相结合,建立故障诊断模型。首先,利用深度卷积神经网络自适应提取原始振动加速度信号的特征矩阵。其次,将所得到的特征矩阵作为输入数据,运用网格调参法对XGBoost算法进行参数调整,得到XGBoost模型。最后,作为训练数据训练XGBoost模型,得到DCNN-XGBoost齿轮箱故障诊断模型。为了验证该模型的有效性和XGBoost算法的优越性,与DCNN-BP神经网络、DCNN-随机森林和DCNN-支持向量机三种模型作对比分析,并且对DCNN所得特征矩阵和人工提取的特征矩阵进行t-SNE可视化降维分析。结果表明,DCNN获得的特征矩阵可视化的效果优于人工提取的特征矩阵,并且随机森林的稳定性不如XGBoost算法,和BP神经网络相比,XGBoost算法在防止过拟合方面有一定的优势,SVM与DCNN的结合有其局限性,最后DCNN-XGBoost模型的诊断正确率和时间优于其他模型。     

基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法研究

针对滚动轴承故障诊断中特征向量难以提取与支持向量机结构参数选取依据经验的问题,提出了基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法。首先,采用小波包对采集的滚动轴承各状态下的信号进行分解,获取表征信号局部特征的各节点系数,在此基础上构建各节点系数矩阵并进行奇异值分解,来获取特征向量进而将其作为故障诊断模型的输入;其次,利用遗传算法(GA)优化支持向量机(SVM)的惩罚系数和高斯核系数两个结构参数;最后,将上述特征向量作为输入,建立GA优化SVM的故障诊断模型,实现滚动轴承的状态辨识。实验结果表明,与BP、SVM、PSOSVM相比,基于小波包与奇异值分解的GA优化SVM滚动轴承故障诊断方法具有更高的分类精度,能够提高滚动轴承状态辨识的效果。     

基于LE-ELM的热力参数传感器故障诊断

针对火电机组热力参数传感器中多故障模式识别问题,同时为了克服参数随机性和离群点给ELM隐含层输出矩阵带来的病态现象,提出了一种基于拉普拉斯特征映射(LE)和极限学习机(ELM)的热力参数传感器故障诊断模型。该方法首先利用LE算法提取传感器的故障特征参量,并保持高维数据的距离相似性,减少离群点的出现,接着利用ELM作为故障模式的训练和诊断分类器。最后通过热力参数传感器的故障诊断实例验证了方法的有效性,实验结果表明,采用LE-ELM的组合进行热力参数传感器故障诊断相比其他方法具有更高的诊断准确率。     

多PCA模型及SVM-DS融合决策的服务机器人故障诊断

针对轮式服务机器人驱动系统故障诊断问题,提出一种基于多主成分分析(principal component analysis,简称PCA)模型及支持向量机和DS证据理论(support vector machine and dempster-shafer,简称SVM-DS)融合决策的故障诊断方法,分别利用正常状态和故障状态下的传感器数据建立多个PCA模型。利用正常状态下的PCA模型实现故障的检测。传感器数据经多PCA模型特征提取后作为SVM的输入向量,实现故障的初步分离。基于混淆矩阵定义SVM的全局及局部可信度,并依据可信度值和故障初步分离结果完成基本概率分配函数的赋值,以实现SVM和DS证据理论在故障分离中的有效结合。实验结果表明,本研究方法能灵敏检测到机器人驱动系统故障的发生,故障分离平均正确率达92.6%,与传统单PCA模型的方法相比有更高的正确率和稳定性。     

S能量分布特征和SVM在齿轮故障诊断中的应用

准确提取振动信号特征,是齿轮故障诊断的关键问题。为此,提出了一种基于S变换能量分布特征和SVM的故障诊断方法。首先对齿轮故障信号进行S变换得到时频矩阵,然后利用该矩阵构建能量分布特征。最后建立SVM齿轮故障识别模型,将对应的特征样本输入到模型中进行训练和识别,以达到对齿轮故障的准确分类。将所提出的方法应用于齿轮故障检测和诊断。通过实际故障实验数据对所提方法进行了验证。结果表明,该方法能够有效地降低噪声的影响,能够准确地识别齿轮故障,具有较高的准确率和使用价值。     

基于多传感器信息融合的滚动轴承故障诊断研究

由于单一传感器所包含的故障信息不能全面地反映滚动轴承的故障状态,提出了一种基于多传感器信息融合的滚动轴承故障诊断方法。首先,利用不同位置的加速度传感器采集滚动轴承故障振动信号,经集成经验模态分解(EEMD)后,前8个固有模态分量(IMF)的能量值作为分类器支持向量机(SVM)的输入故障特征参量;其次,利用故障特征参量训练分类器SVM,并对测试样本进行分类,实现故障的初步分离;然后,根据混淆矩阵获得各分类器的全局可信度和局部可信度,并与各测试样本的后验概率输出结合实现DS证据理论中基本概率分配函数的赋值;最后,利用DS证据理论实现融合以获得最终诊断结果。试验结果表明:提出的方法可有效融合不同传感器的故障信息,最大限度地避免误诊现象。     

一种基于PCA与SVM的往复压缩机典型故障诊断方法

往复压缩机的振动信号具有非线性、非平稳性的特点,对此提出一种基于PCA与SVM的典型故障诊断方法。针对往复压缩机典型的拉缸、活塞杆紧固螺母松动、撞缸等故障,首先提取出振动信号的时频域特征参数,再利用主成分分析(PCA)方法缩减特征参数的维度,提取出故障敏感特征,作为新的特征向量,最后再将提取出的敏感特征输入支持向量机(SVM)中,对其进行训练获得SVM结构模型,并将这个模型用于处理待测试的特征向量,由此判决数据所属的类别;利用真实的故障案例数据验证了此方法对往复压缩机故障诊断的有效性。     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

基于EMD与多特征的支持向量机故障诊断

针对齿轮振动信号的非线性、非平稳性与故障分类识别率低的问题,提出了一种基于EMD(经验模态分解)与多特征的支持向量机(SVM)故障诊断方法。该方法首先将采集到的信号进行小波包降噪;然后提取降噪后信号的各项时域参数指标;同时,将降噪信号经过EMD运算并提取以互相关准则选取的各本征模式分量(IMF)的能量指标;最后,将两部分特征向量组合后作为SVM的输入进行训练与预测。实验结果表明,该方法对于齿轮状态具有很好的分类精确度,能很好地应用于齿轮的故障诊断。     

基于LCD和KNNCH分类算法的齿轮故障诊断方法

提出了一种基于局部特征尺度分解(LCD)和核最近邻凸包（KNNCH）分类算法的齿轮故障诊断方法。该方法采用LCD对齿轮原始振动信号进行分解得到若干内禀尺度分量(ISC),然后提取包含主要信息的ISC分量的能量作为特征向量输入到KNNCH分类器,根据其输出结果来判断齿轮的工作状态。实验分析结果表明,所提出的方法能有效地提取齿轮故障特征信息,而且在小样本的情况下仍能准确地对齿轮的工作状态进行识别。同时,与支持向量机(SVM)算法的对比分析结果表明,KNNCH算法能取得与SVM算法相当或更高的正确识别率。     

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.     

Fault diagnosis method of rolling bearing using principal component analysis and support vector machine

To effectively extract the fault feature information of rolling bearings and improve the performance of fault diagnosis, a fault diagnosis method based on principal component analysis and support vector machine was presented, and the rolling bearings signals with different fault states were collected. To address the limitation on effectively dealing with the raw vibration signals by the traditional signal processing technology based on Fourier transform, wavelet packet decomposition was employed to extract the features of bearing faults such as outer ring flaking, inner ring flaking, roller flaking and normal condition. Compared with the previous literature on fault diagnosis using principal component analysis (PCA) and support vector machine (SVM), one-to-one and one-to-many algorithms were taken into account. Additionally, the effect of four kernel functions, such as liner kernel function, polynomial kernel function, radial basis function and hyperbolic tangent kernel function, on the performance of SVM classifier was investigated, and the optimal hype-parameters of SVM classifier model were determined by genetic algorithm optimization. PCA was employed for dimension reduction, so as to reduce the computational complexity. The principal components that reached more than 95 % cumulative contribution rate were extracted by PCA and were input into SVM and BP neural network classifiers for identification. Results show that the fault feature dimensionality of the rolling bearing is reduced from 8-dimensions to 5-dimensions, which can still characterize the bearing status effectively, and the computational complexity is reduced as well. Compared with the raw feature set, PCA has a higher fault diagnosis accuracy (more than 97 %), and a shorter diagnosis time relatively. To better verify the superiority of the proposed method, SVM classification results were compared with the results of BP neural network. It is concluded that SVM classifier achieved a better performance than BP neural network classifier in terms of the classification accuracy and time-cost.     

Fault diagnosis method based on FFT-RPCA-SVM for Cascaded-Multilevel Inverter

Thanks to reduced switch stress, high quality of load wave, easy packaging and good extensibility, the cascaded H-bridge multilevel inverter is widely used in wind power system. To guarantee stable operation of system, a new fault diagnosis method, based on Fast Fourier Transform (FFT), Relative Principle Component Analysis (RPCA) and Support Vector Machine (SVM), is proposed for H-bridge multilevel inverter. To avoid the influence of load variation on fault diagnosis, the output voltages of the inverter is chosen as the fault characteristic signals. To shorten the time of diagnosis and improve the diagnostic accuracy, the main features of the fault characteristic signals are extracted by FFT. To further reduce the training time of SVM, the feature vector is reduced based on RPCA that can get a lower dimensional feature space. The fault classifier is constructed via SVM. An experimental prototype of the inverter is built to test the proposed method. Compared to other fault diagnosis methods, the experimental results demonstrate the high accuracy and efficiency of the proposed method.     

机群智能化工程机械故障诊断系统研究

机群智能化工程机械故障诊断系统以高等级公路施工工程机械为对象 ,采用无线电通讯技术、故障诊断技术、计算机技术、传感器技术、智能控制技术等 ,研究由沥青拌和设备、摊铺机、振动压路机、装载机和自卸汽车等单机所组成机群的智能化故障诊断系统结构、知识表达方法、推理过程、系统功能实现等关键技术。最终实现对施工机群的实时状态监测和故障诊断 ,减少施工机械故障停机 ,提高施工效率。     

改进时频分析和特征融合在内燃机故障诊断中的应用

针对基于内燃机振动信号的故障识别诊断问题，首先提出一种基于阈值筛选的变分模态分解(VMD)、玛基诺-希尔时频分布(MHD)的时频分析方法，该方法针对Cohen类时频分布存在的交叉干扰项问题，通过阈值筛选法确定VMD算法的分解层数，从而将内燃机振动信号分解成一系列单分量模态信号，然后对单分量信号进行MHD时频表征及线性叠加得到时频聚集性优良、物理意义明确的振动信号时频谱图。再通过局部非负矩阵分解(LNMF)对时频图像特征进行提取，将提取的特征与振动信号时域参数进行特征融合，得到融合特征向量。对支持向量机(SVM)采用改进粒子群优化算法进行参数优选，然后对特征向量进行训练和测试，实现了内燃机的故障识别诊断。将该方法应用于内燃机气门间隙故障8种工况下缸盖振动信号的识别诊断试验，结果表明，该方法能够对不同工况振动信号进行有效识别分类。通过参数优选，最高识别率达到了99.17%，同时对比传统的最近邻分类器的分类结果，证明了该方法的优越性。     

基于网格支持矢量机的涡轮泵多故障诊断

支持矢量机是一种基于结构风险最小化原则的机器学习方法,对小样本决策具有较好的学习推广性.由于常规支持矢量机算法是从二类分类问题推导得出的,在解决故障诊断这种典型的多类分类问题时存在困难,为此提出一种网络支持矢量机多类分类算法,用每个类别和其他两个至四个类别构造二类支持矢量机分类器.这些二类支持矢量机分类器组合而成的网格式结构多类分类器,具有容易扩展、重复训练样本少、速度快和识别正确率高的优点.将网格式结构多类分类器应用于涡轮泵试验台多故障诊断获得了令人满意的效果.     

基于PCA和SVM的内燃机故障诊断

为有效对内燃机运行状态进行评估,根据内燃机振动信号特征和故障样本较少的特点,提出了基于主分量分析和支持向量机进行内燃机状态判别的故障诊断方法。提取内燃机振动特征参数,利用主分量分析消除其信息冗余,提取反映内燃机运行状态的主分量特征,实现内燃机振动特征参数降维。通过选择适合内燃机振动信号的径向基核函数,构造一对多的支持向量机多类分类器,对主分量特征进行训练学习,实现内燃机运行状态判别。通过对模拟内燃机不同运行状态的试验分析,结果表明该方法可以有效识别内燃机不同的运行状态。     

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。