优化支持向量机及其在智能故障诊断中的应用

单一支持向量机在轴承齿轮故障诊断中精度较低,为了提高支持向量机在轴承齿轮故障诊断中的精度,对支持向量机的样本特征提取方法以及支持向量机参数优化的方法进行了研究。首先,通过核主成分分析方法构造支持向量机的输入样本,可以减少数据间的冗余,提取数据的高维信息;其次,通过粒子群优化算法优化支持向量机核函数参数和惩罚因子;最后,使用优化后的支持向量机模型进行故障诊断。通过实际轴承齿轮故障诊断对比实验,结果表明,所提方法相比一般的支持向量机诊断方法诊断精度大幅提高,验证了该混合智能诊断方法的有效性和优势。     

基于综合型模糊支持向量机的故障诊断方法及应用

设备信息和故障的不确定性、模糊性及故障样本的缺乏给故障诊断带来了较大的困难.针对该问题,分析了现有模糊支持向量机的原理和优缺点,提出了一种综合型模糊支持向量机.该模糊支持向量机既可以处理样本含有模糊信息的情况,又可以解决支持向量机分类中存在的不可分问题.然后,提出了基于综合型模糊支持向量机的故障诊断方法,并在某电路系统故障诊断中开展了应用研究.应用结果表明,该诊断方法在设备状态存在模糊性和故障样本较少的情况下,与现有模糊支持向量机诊断方法相比,实现了较准确的故障诊断.     

基于PSO-SVM的变压器故障诊断研究

支持向量机用于变压器故障诊断时,其参数的选择会影响到诊断的准确度。为了提高支持向量机的精确度和效率,将粒子群算法和支持向量机相结合,提出了基于粒子群优化支持向量机的故障诊断方法。用粒子群算法实现对支持向量机惩罚因子及径向基核函数的寻优,从而提高支持向量机的分类性能。仿真结果表明,此方法能够有效提高变压器故障诊断的准确率。     

基于PSO-SVM的齿轮箱故障诊断研究

针对目前齿轮箱故障诊断存在的检测难度大、主观性强、准确性不高等问题,提出了一种基于粒子群算法和支持向量机的故障诊断方法。运用时域频域分析法对振动信号进行分析获取特征值,利用支持向量机(SVM)技术对齿轮箱特征参数进行模式识别和故障分类,并引入粒子群算法(PSO)用于优化支持向量机参数,建立了齿轮箱典型故障诊断模型。实验结果表明:该方法可以对齿轮箱不同故障类型进行准确的分类,有效的提高了齿轮箱故障诊断的可靠性。     

基于SVR的传感器故障诊断方法研究

为了检测传感器的工作状态,提出了一种新的诊断方法:基于SVR(回归性支持向量机)的传感器故障诊断方法。在简要介绍支持向量机(SVM)的基础上,主要论述了回归性支持向量机(SVR)及传感器故障诊断的方法。实验表明,该方法设计简单、易于实现,能适应故障诊断的需求。     

基于烟花算法优化SVM的变压器故障诊断

提出了一种基于烟花算法优化支持向量机的变压器故障诊断模型。标准的支持向量机是二分类,现对其进行非线性处理及多分类变换,使其能适用于变压器故障分类。针对支持向量机参数难以确定的情况,采用烟花算法优化支持向量机,从而搭建烟花算法优化支持向量机的故障诊断模型。实验分析结果表明,所提方法的故障诊断准确率优于其他算法。最后,进一步将算法用于机器学习的其他标准数据集,证明了该算法具有泛化性。     

基于DE-SVM的柴油机气门故障诊断方法及应用

针对柴油机故障诊断样本少的实际问题,结合支持向量机的特性和微分进化算法良好的全局优化性能,提出了一种微分进化算法优化支持向量机方法.利用柴油机气门振动信号实测数据,经小波变换作为诊断模型的故障特征,建立了基于微分进化算法优化支持向量机的柴油机气门间隙故障诊断模型,并与反向传播神经网络算法、基于遗传算法优化支持向量机和基于粒子群优化支持向量机的模型相比较,结果表明:应用微分进化算法优化支持向量机比其他三种算法具有更优性能,能够有效地进行柴油机的故障诊断.     

基于奇异值分解和支持向量机的齿轮故障诊断

针对大型设备的齿轮运行环境噪声干扰大和缺少故障样本的特点,提出了基于奇异值分解和支持向量机相结合的齿轮故障诊断方法。分析了奇异值分解法在信号特征提取中的应用与优势、支持向量机的原理与算法,并通过试验验证了基于奇异值分解和支持向量机的齿轮故障诊断方法可以实现对齿轮进行快速、准确的故障诊断。     

基于支持向量机的机床故障诊断研究

介绍了机械故障诊断的历史、意义及研究现状,分析了现有故障诊断理论方法的优点及不足之处;简要介绍了统计学习理论和支持向量杌,探讨了适合故障诊断的支持向量机结构;研究了支持向量杌的训练方法,目前支持向量机的训练算法是以序贯最小最优化（SMO）为代表的,其中工作集的选择是实现SMO算法的关键;在对实验结果全面分析的基础上,总结出支持向量机在机械故障诊断领域中应用的若干结论。     

基于EEMD和CS-SVM的滚动轴承故障诊断研究

针对数据驱动的滚动轴承故障诊断大多采用支持向量机进行分类,而传统支持向量机的分类方法容易陷入局部最优,无法准确进行故障诊断的问题,对滚动轴承振动信号的特征选择和支持向量机的优化方法进行了研究。分析了粒子群算法优化支持向量机和遗传算法优化支持向量机的不足;基于莱维飞行的布谷鸟搜索算法,引入了一种对支持向量机的参数进行寻优的方法,用于提高滚动轴承故障诊断的识别准确率;该方法首先使用集合经验模态分解对信号数据进行了处理,然后计算本征模态函数的均方根作为特征向量,输入布谷鸟搜索算法优化的支持向量机;最后进行了训练和测试。研究结果表明:利用该方法对实测信号进行分析和诊断,可以准确地识别故障发生的位置以及严重程度;通过与传统优化方法进行对比,验证了该算法的优越性。     

基于SSA-PNN的电力变压器故障诊断

为了提高变压器故障诊断的准确率,在改良三比值法的基础上,采用麻雀搜索算法优化概率神经网络构建一种新型变压器故障诊断网络模型,并设计相应的故障诊断方法。分析表明,与基于概率神经网络的变压器故障诊断方法相比,基于该网络模型的诊断方法提高了变压器故障识别与故障分类的准确率,在电力变压器的故障诊断中具有一定的实际工程意义。     

基于贝叶斯网络的电子设备故障诊断技术研究

针对电子设备故障诊断的难点,通过分析贝叶斯网络的特点,设计了一种基于贝叶斯网络的故障诊断系统。首先介绍了故障及故障诊断的相关概念;然后在理解贝叶斯网络的基础上分析其优点,研究了贝叶斯的推理;进而研究贝叶斯故障诊断的关键技术;最后介绍了基于贝叶斯网络故障诊断系统的整体框架。     

基于IPSO-PNN的电动汽车故障诊断

为了提高电动汽车故障诊断的准确性,提出了一种基于改进粒子群(Improved Particle Swarm Optimization,IPSO)算法优化概率神经网络(Probabilistic Neural Network,PNN)的电动汽车故障诊断方法,即基于IPSO-PNN的电动汽车故障诊断方法。首先,研究了基于PNN的电动汽车故障诊断模型,分析了PNN的平滑因子对该模型诊断准确率的影响;其次,在粒子群(Particle Swarm Optimization,PSO)算法中引入频率粒子群和采用动态惯性权重,改善PSO算法的全局和局部寻优能力,利用IPSO算法优化基于PNN的电动汽车故障诊断模型的平滑因子,以改善模型的分类能力;最后进行仿真与分析。仿真结果表明:相较于基于PSO-PNN的电动汽车故障诊断方法,基于IPSO-PNN的电动汽车故障诊断方法具有更高的诊断准确率和诊断速度。     

基于频谱图像的Multi-agent旋转机械故障诊断研究

针对目前诊断系统之间不能通用导致的诊断系统重复开发以及各种振动数据采集仪器、在线式和便携式故障诊断系统都能提供频谱图的现状,分析了各种频谱图的图像特点。提出了利用图像识别进行旋转机械故障特征提取的方法。结合Multi-agent技术开发了基于频谱图像识别的Multi-agent旋转机械故障诊断系统,解决了诊断软件的通用性和适应性之间的矛盾。应用表明,该系统是实用的、有效的。     

基于虚拟仪器的滚动轴承故障诊断系统的设计

根据滚动轴承信号的特点,提出了一种基于小波包分解和共振解调技术相结合的滚动轴承故障诊断方法,并开发了基于虚拟仪器的故障诊断系统.首先采用小波包将信号进行分解,再利用共振解调技术分析小波包的高频段,以诊断轴承故障.然后运用LabVIEW图形化编程语言设计了相应的滚动轴承故障诊断程序,最后在ADBE-56-N4型交流电机上实测了6305型滚动轴承故障模拟信号,分析结果表明,该方法有效地提取了故障特征和诊断轴承故障,有很好的实用性和有效性.     

基于图像处理技术的机械故障诊断研究进展

故障检测和诊断已经成为了当今的研究热点之一,图像信息是一类重要的故障信息形式,通过图像处理技术可以快速、准确的提取故障特征信号。文中介绍了基于图像处理的故障诊断方法的国内外研究现状,指出了基于图像处理的机械故障诊断的应用价值和发展潜力,总结归纳了图像的获取方法、故障图像特征的提取研究,展望了基于图像处理的机械故障诊断方法的发展趋势。     

基于BP神经网络的翻车机液压系统故障诊断

为了快速诊断出翻车机液压系统故障产生的位置以及故障原因,提出了一种基于BP神经网络算法的翻车机液压系统故障诊断方法,在此基础上提出了大型液压系统故障诊断分块建模的原则。利用某公司C型转子式翻车机故障数据样本建立了整体、分块故障诊断BP神经网络模型,对比实验数据分析表明,采用分块建模原则建立的BP神经网络故障诊断模型对翻车机液压系统故障具有较高识别精度,对提高翻车机液压系统状态监测与故障诊断能力有较大实用价值和工程意义。     

基于模糊理论的某型四余度舵机故障诊断研究

针对机电液高度耦合的某型四余度舵机,提出了一种基于模糊理论的智能故障诊断方法。根据实际需求,将系统分为元件、部件及系统3种不同层次的故障诊断问题。然后根据模糊故障诊断理论,分别建立了故障原因与故障征兆的模糊关系方程,即模糊故障诊断模型。最后介绍了故障模糊诊断专家系统的实现及功能。     

基于粗糙集-BP神经网络的垃圾破碎机故障诊断

针对目前垃圾破碎机故障诊断效率低的问题,设计了一种基于粗糙集理论与BP神经网络的故障诊断系统。结合粗糙集理论和BP神经网络的优点,首先利用粗糙集对原始故障诊断样本进行处理,然后对条件属性进行约简,删除冗余的信息,减少神经网络输入端的数据,从而简化神经网络的结构。并将基于粗糙集-BP神经网络的故障诊断系统对垃圾破碎机进行故障诊断。利用粗糙集对故障知识进行约简,简化BP神经网络结构,提高故障诊断的速度及准确度。将此方法应用于某型号垃圾破碎机的故障诊断中,诊断结果表明所提诊断方法可简化神经网络结构,提高诊断效率。     

一种基于支持向量机的齿轮箱故障诊断方法

提出了一种基于多分类支持向量机(简称MSVM)的齿轮箱故障诊断方法。先根据齿轮箱故障机理和振动特点,探讨了齿轮箱故障诊断试验方案。再测取齿轮箱振动信号,并提取了能反映齿轮箱运转信息的时频域特征参数。通过结合投票法和决策树的基本思想,有针对性地构造了多分类支持向量机决策结构并将其应用于齿轮箱故障诊断。实际齿轮箱故障诊断试验结果表明,该决策结构较好地解决了小样本学习问题,避免了人工神经网络进行诊断时出现的过学习、收敛速度慢、泛化能力弱等缺点,能有效应用于齿轮箱故障诊断。