利用对支持向量机识别石油钻机轴承故障

轴承是石油钻机中易发生故障的旋转支撑零部件。在石油钻机轴承运行状态的监测数据中,发生故障的样本所占的比例很小。如何从监测数据中准确地识别出少量的故障样本成为一个难题。对支持向量机(Twin Support Vectorm achine,TWSVM)能很好地解决这一难题,它通过构造两个非平行的超平面来完成,其中每个超平面都要尽可能地接近自身对应的样本而远离别的样本。文中运用石油钻机轴承故障诊断实验检验TW SV M的效果,结果表明TWSVM的识别精度高,运行速度快,为以后做类似的石油钻机轴承故障检测提供了一种新的分析方法。     

小波支持向量机在结构损伤识别中的应用研究

基于小波框架理论和支持向量核函数的条件,引入非线性小波基函数构造支持向量机（SVM）的核函数．得到一种具有较强泛化能力的紧致型小波支持向量机。对结构在环境脉动下的反应信号进行小波包分解,利用“能量一损伤状态”的特征提取方法得到特征向量,并作为紧致型小波支持向量机的输人进行训练和分类检验,提出了一种基于完全小波支持向量机的结构损伤识别方法。以一空间单层网壳结构为检测和诊断对象,用该方法对结构的损伤位置和程度进行识另口和分类具有较高的精度,同时该方法具有面向工程实际应用、成本低和分析简便等特点。     

支持向量机在机器视觉识别茶叶中的应用研究

本文针对茶叶的感官评定分类存在主观性强和一致性差等缺点，提出了一种新的茶叶识别分类方法，该方法是在机器视觉技术定量描述茶叶的颜色特征的基础上，根据支持向量机模式识别原理分别为碧螺春、龙井和祁红等3种茶叶建立了各自的分类识别模型。在RBF核函数下，所建立的模型最佳，3个模型的回判率都达到100％；对未知样本进行验证时，模型的识别率分别为95％、90％和100％。实验结果表明，基于支持向量机的机器视觉技术识别茶叶色泽类型是可行的。     

面向机器人视觉识别的近似支持向量机集成方法研究

提出了一种基于Relief（F）的近似支持向量机（PSVM）集成算法。该方法首先在原有的PSVM集成方法中引入基于Relief（F）算法的特征扰动,以产生具有较大差异性的集成个体,然后应用多数投票法进行集成得到分类结果。     

基于优化支持向量机的发动机故障预诊断

为实现车用发动机故障预诊断功能,预测发动机可能出现的故障类型,保证车辆安全运行,提出一种基于灰色关联分析和优化支持向量机的发动机故障预诊断方法.通过台架试验获取发动机故障样本数据,应用灰色关联分析确定样本数据与发动机故障的对应关系,选取经过改进蝙蝠算法优化的支持向量机建立故障预测模型对样本数据进行分析处理,实现发动机机...     

基于支持向量机的航空发动机故障诊断

支持向量机学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在有限样本的学习中显示出优异的性能。本文将这一新的统计学习方法应用到航空发动机故障诊断的研究中,并通过某型航空发动机故障诊断的实验结果表明了本文方法的有效性。     

SVM方法在火箭发动机故障预测中的应用研究

为了实时、准确、可靠地预测液体火箭发动机故障,在分析标准支持向量机回归方法(SVR)和最小二乘支持向量机回归估计法(LS-SVR)特点的基础上,建立了液体火箭发动机故障预测模型,并分别将其应用于液体火箭发动机参数预测问题。研究结果表明:SVR和LS-SVR两种方法都能有效解决液体火箭发动机故障预测过程中的非线性、高维数、小样本、局部极小等问题。     

基于流形学习与一类支持向量机的滚动轴承早期故障识别方法

提出了一种基于流形学习与一类支持向量机的轴承早期故障识别方法。首先提取轴承信号的时域参数构成原始特征样本空间;然后采用基于拉普拉斯特征映射算法(Laplacian eigenmap,LE）的流形学习方法对特征样本进行特征压缩,提取出敏感的故障特征;最后采用一类支持向量机对各状态实现分类识别。利用实测的滚动轴承故障数据对算法进行了验证,并将LE方法与主成分分析（PCA）方法进行了比较,
结果证明该方法可行。     

基于支持向量机的往复压缩机示功图识别研究

提出了一种基于支持向量机的往复压缩机示功图识别方法。根据不同故障在示功图上反映的不同特征,进行故障特征提取。针对实际故障发生情况,构造了基于决策树的多分类支持向量机故障识别模型。使用不同核函数对计算机模拟与往复压缩机试验台实测的故障示功图进行识别,结果表明,该方法能有效应用于往复压缩机示功图故障识别。     

支持向量机在船舶主机诊断中的应用

为了简化船舶主机故障诊断,提高诊断效率,文章采用了支持向量机的故障诊断原理,通过小波包分解提取信号的特征参数,再将特征量送入故障分类器中进行训练,即可得出诊断结果。当数据样本较少时,采用支持向量机与采用神经网络诊断相比,具有算法简单、故障分类能力强的优点。     

深度支持向量机在齿轮故障诊断中的应用

针对齿轮箱故障诊断中存在的早期非平稳微弱故障信号特征提取困难,易受强背景噪声干扰,故障诊断精度较低等问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和深度支持向量机(Deep Support Vector Machine,DSVM)的齿轮箱故障诊断方法。首先,利用VMD将原始振动信号分解成若干个频率尺度的本征模态(Intrinsic Mode Function,IMF)分量,并根据峭度最大准则选取IMF分量对信号进行重构;构建多层支持向量机结构,在输入层利用支持向量机对信号进行训练,学习信号的浅层特征,利用"特征提取公式"生成样本新的表示,并作为隐藏层的输入,逐层利用深层SVM对新样本训练并学习信号的深层特征,最终由输出层输出诊断结果。最后,通过齿轮箱故障诊断实验验证了该方法的有效性。     

基于LCD互近似熵和相关向量机的轴承故障诊断方法

针对滚动轴承的故障诊断问题,提出了基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)互近似熵(Cross Approximate Entropy,CAE)和相关向量机(Relevance Vector Machine,RVM)的滚动轴承故障诊断方法。该方法首先利用LCD将轴承振动信号分解成若干个具有不同频率成分的内禀尺度分量(Intrinsic Scale Component,ISC);然后通过能量筛选出包含主要故障信息的ISC分量,计算其CAE并作为故障特征向量以体现不同的运行状态;最后将故障特征输入RVM进行故障识别。滚动轴承不同类别和不同损失程度故障实验验证了该方法的有效性。     

基于SVM和噪声分析的汽车发动机故障快速诊断方法研究

汽车发动机是一个核心部件,其性能的好坏对汽车的安全性、生产效率构成直接影响,在总结其他各类故障诊断方法的基础上,提出了基于SVM和噪声分析的发动机故障诊断技术并做一些试验性研究,认为该方法可用于前期诊断,并能简单快速发现故障。     

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。     

奇异值熵和支持向量机的齿轮故障诊断

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵和支持向量机的齿轮故障诊断方法.首先,通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模式分量,将得到的若干个本征模式分量自动形成初始特征向量矩阵;然后,对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并对其进行归一化,求得奇异值熵,根据奇异值熵值大小可以判断齿轮的故障类型;最后,将奇异值故障特征向量作为支持向量机的输入,判断齿轮的工作状态和故障类型.试验结果表明,即使在小样本情况下,基于EEMD奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

基于支持矢量聚类的机械故障诊断

针对无监督的支持矢量聚类方法由于样本类别数量未知带来的模型参数难以选择的问题,提出有监督的支持矢量聚类方法,并应用到机械故障诊断中.该方法首先以聚类区域个数及支持矢量个数作为模型参数的选择准则,以支持矢量为核估计样本分布的概率密度,并根据概率密度估计值选择不同聚类区域的类别代表样本,而后引入k近邻法实现对不同故障的分类.对测试样本的分类结果表明了该方法的有效性.     

基于支持向量机的齿轮故障诊断方法

对齿轮故障诊断的特点进行了阐述，指出由于环境噪声的干扰，在齿轮故障诊断中往往不能获得理想的诊断结果。为此在对齿轮运行状况进行有效特征提取的基础上，采用支持向量机的方法对齿轮进行故障诊断。研究结果表明采用该方法可以获得比神经网络和线性判别方法等更准确的诊断结果。