基于ACO-SVM的火炮供输弹系统机械故障诊断

针对火炮供输弹系统故障信号所提取出的特征参量冗余复杂而导致故障类型不易识别的问题,设计一种基于蚁群优化支持向量机(ACO-SVM)的机械故障诊断方法.对信号进行特征提取得到信息熵,再采用ACO-SVM算法对其进行优化约简和故障诊断,并与支持向量机算法进行对比.结果表明:ACO-SVM算法具有更高的准确率,且准确率高达9...     

基于信息熵与信息融合的供输弹系统故障诊断研究

针对供输弹系统早期故障微弱特征难以提取等问题,提出了信息熵与信息融合的故障诊断方法。将经过降噪预处理后的信号提取样本熵作为特征参量,经Elman神经网络初步诊断,将其输出值归一化后作为证据体的基本概率分配,采用一种基于证据关联系数加权平均融合模型,最终得到决策级融合的诊断结果。结果表明:该方法能有效对供输弹系统故障进行诊断,诊断正确率高达93.71%。     

基于信息熵与神经网络的供输弹系统早期故障诊断

对于供输弹系统早期故障信息微弱,难以识别诊断的问题,提出一种基于信息熵与Elman神经网络相结合的供输弹系统早期故障诊断的方法。通过合理布置测点采集供输弹系统振动信号,经自适应广义形态滤波后提取近似熵、样本熵为特征参量,分别运用Elman神经网络和BP神经网络对其识别。结果显示:该方法能有效对供输弹系统早期故障进行诊断,诊断正确率高达92.13%,且优于BP神经网络的诊断结果。文中所运用的方法在供输弹系统早期故障诊断中有良好的应用。     

基于自适应TQWT和样本熵的供输弹系统故障诊断识别

为解决复杂供输弹系统早期微弱特征提取的问题,提出将自适应可调品质因子小波变换(TQWT)和样本熵相结合的供输弹故障诊断方法.基于能量加权归一化小波熵对TQWT的必要参数进行自适应选取,运用样本熵特征指标选出5个最优的特征子带,将样本熵组成的特征向量作为Elman神经网络的输入,对供输弹系统早期故障进行识别,输出结果显示...     

基于VMD和PSO-SVM的汽车传动轴系故障诊断

针对传动轴系振动信号故障特征难以提取的问题和进行故障诊断时难以获得大量故障样本的实际情况,提出了一种基于VMD和PSO-SVM相结合的传动轴系故障诊断方法。首先,将传动轴系振动信号进行VMD分解,得到本征模态函数IMF;然后,计算IMF的能量值和对应的能量熵值;最后,用粒子群优化(PSO)优化支持向量机(SVM)的参数,并将归一化处理后IMF的能量值及能量熵值作为特征向量,输入到PSO-SVM中来判断传动轴系的工作状态和故障类型。实验结果表明,该方法故障诊断准确率达到94. 44%,可以准确、有效地对传动轴系进行故障诊断。     

基于改进PSO-SVM算法的油浸式变压器故障诊断

现以油浸式变压器为研究对象,采用支持向量机算法,选择径向基作为核函数,根据参数特点,通过改进粒子群算法对其进行优化,进而对油浸式变压器进行故障诊断。通过仿真实验得出,所提基于改进PSO算法优化的SVM算法,不仅可以避免局部极值问题,而且对小样本数据处理有很好的泛化能力,在解决电力变压器故障诊断问题上有着一定的发展潜力。     

基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。     

基于支持向量机的车用燃料电池系统故障诊断

为了提高车用燃料电池系统的安全可靠性和可维护性,考虑到其大量完整的故障样本难以获取,提出了一种基于二叉树多分类器的支持向量机故障诊断方法.首先,以自主研发的60 kW车用燃料电池系统为研究对象,分析了其故障机理和特征;然后,融合15种故障征兆参数并进行归一化预处理作为支持向量机的输入,以14种典型故障作为输出,选取径向基核函数并利用粒子群优化算法对支持向量机的惩罚参数和核函数参数进行优化,利用310组样本数据对其进行训练,通过90组测试样本测试实现了其典型故障的识别;最后,将支持向量机和神经网络分别在不同训练样本数下的故障诊断性能进行了对比.仿真结果表明,支持向量机具有较好的故障正判率和泛化能力,可有效用于车用燃料电池系统的多故障诊断.     

基于EEMD与模糊核聚类的供输弹系统早期故障识别

对于供输弹系统早期故障中信号成分复杂,潜在故障征兆难以识别的问题,本文提出了基于EEMD-KFCM的早期故障识别方法。首先用EEMD方法对供输弹系统振动信号进行分解,对分解的分量进行相关系数运算,选取与原始信号相关系数大的前4层分量对信号进行重构;接着提取前4层分量的能量百分比作为特征;最后基于核的模糊C均值聚类方法,对供输弹系统三种不同状态振动信号EEMD分解后的能量特征进行分类识别,并与模糊C均值聚类方法进行了对比。实验结果表明,该方法能有效地对自动供输弹系统早期故障进行识别,正确率达88.89%。     

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IITD样本熵和支持向量机的齿轮故障诊断方法

基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法(Improve Intrinsic Timescale Decomposition,简称IITD)方法。齿轮振动信号具有非平稳特征,其典型的故障样本难以获取,为此进一步提出了一种基于IITD样本熵和支持向量机的齿轮故障诊断方法。采用IITD法对非平稳的原始加速度振动信号进行分解,并提取包含主要故障特征信息的PR分量,将其样本熵值作为特征向量;然后将特征向量输入到支持向量机中识别齿轮的故障特征。实验分析结果表明:相比BP神经网络,能更有效地应用于齿轮的故障诊断。     

基于QPSO-SVM的轴承故障诊断方法

轴承作为旋转机械中应用广泛的一类支撑部件,其故障将严重影响设备的安全运行,为了实现对轴承故障的有效诊断,提出一种量子粒子群优化(Quantum particle swarm optimization,PSO)支持向量机(Support vector machine,SVM)的故障诊断模型,首先采用经验模式分解(Empirical mode decomposition,EMD)方法将故障信号分解为多个固有模态分量(Intrinsic mode function,IMF)之和,其次,提取表征轴承故障特征的IMF分量能量构造特征向量,最后采用QPSO优化的SVM模型对故障模式进行识别。实验结果表明,所提出的轴承故障诊断方法具有自适应提取轴承故障特征和高精度的自适应诊断能力。     

基于PCA-KLD的供输弹系统早期故障识别

对于供输弹系统早期故障中信号成分复杂,潜在故障征兆难以识别的问题,提出了1种基于PCA-KLD的早期故障识别方法。首先对正常工况构建PCA模型,将未知工况下所测得的数据代入到所构建的PCA模型中,得到各测点主成分数目,然后利用核密度估计可得概率密度函数,最后对每一主成分分别计算不同实验数据与参照工况(正常工况)间的KLD值,KLD值之间差异便可判断是否存在早期故障。实验结果表明,该方法能有效地对供输弹系统早期故障进行识别。     

FOA-WPT降噪和PSO-SVM在滚动轴承故障诊断中的应用

在轴承故障诊断中,为了进一步提高诊断方法的自适应性和分类准确率,提出果蝇优化小波包降噪和粒子群支持向量机相结合的方法。利用果蝇算法对小波包降噪的阈值进行优化,结合粒子群算法在GCV算法下的错误率最低,得到SVM的最优惩罚参数和核函数参数,建立PSO-SVM分类模型,对4种工况下滚动轴承的10类故障进行分类。实验结果表明,使用FOA-WPT降噪后,信号有着更高的信噪比和更低的均方误差（MSE）;和粒子群支持向量机相结合的分类方法准确率达到89%,与未使用粒子群算法优化的SVM相比,提高了约8%,进一步证明了该方法可以实现滚动轴承的多分类故障诊断。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断.为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)...     

自动供输弹系统机电液一体化建模与仿真研究

根据多体动力学仿真软件RecurDyn和工程设计软件MATLAB的特点,在RecurDyn软件中建立自动供输弹系统的虚拟样机模型,利用MATLAB软件中的Simulink工具箱建立参数化和模块化的自动供输弹液压系统和控制系统仿真模型,通过两种软件之间的接口技术,实现供输弹系统中机械、液压、控制子系统的一体化建模,并对模型进行了仿真,将仿真结果与试验结果进行对比,验证了供输弹一体化虚拟样机模型的正确性与合理性,为供输弹系统的优化设计和勤务保障提供了一定参考。     

基于粒子群优化LS-WSVM的旋转机械故障诊断

为了更好地进行旋转机械故障诊断,提出一种粒子群优化(particle swarm optimization,PSO)最小二乘小波支持向量机(least square wavelet support vector machine,LS-WSVM)的故障诊断模型.先将故障信号经验模式分解(empirical mode decomposition,EMD)为多个内禀模态分量(intrinsic mode function,IMF)之和,再提取表征故障特征的IMF分量能量构造特征向量输入到PSO优化的LS-WSVM进行故障模式识别.EMD分解可自适应提取故障特征信号,PSO参数优化可快速准确得到LS-WSVM的全局最优参数,提高LS-WSVM的故障诊断精度和自适应诊断能力.通过滚动轴承的故障模拟实验验证了该方法的有效性.     

基于ITD和排列熵的行星齿轮箱故障诊断方法

行星齿轮箱故障信号包含了多个调制过程,特征呈现复杂的边带成分,且信号易受噪声影响,数据的选择会直接影响故障特征提取效果.针对行星齿轮箱故障信号特点,提出基于固有时间尺度分解(ITD)和排列熵(PE)结合的行星齿轮箱故障诊断方法.ITD-PE方法将原始信号分成多个子序列,对各子序列进行ITD分解,利用互相关系数准则筛选敏...     

DBN与PSO-SVM的滚动轴承故障诊断

针对如何提高轴承故障诊断的准确率和算法训练的效率问题,提出了一种深度信念网络(DBN)与粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。首先,求出信号的时频特征统计量,其次,利用DBN对时频特征统计量进行特征提取,最后,利用PSO-SVM进行分类。实验结果表明:相比于直接用PSO-SVM进行分类,该方法不仅准确率更高,而且算法训练的时间大大缩短了,提高了滚动轴承故障诊断的准确率和效率。     

基于粒子群优化决策树的齿轮箱故障诊断

针对现有支持向量机(support vector machines,简称SVM)在构造多类分类器的过程中存在计算费时、搜索率不高的问题,提出了一种新的SVM决策树设计算法.引入具有优良的全局搜索性能的粒子群算法,将其应用于优化决策树,构造出一种自适应性强、识别率高的多元分类器,实现SVM的有效多值分类.将其结果应用于齿轮箱故障诊断中,试验结果证明改进后的SVM构造方法的有效性和准确性.