支持向量机在压缩机气阀故障诊断中的应用

由于结构复杂且缺乏故障样本等原因,往复式压缩机的故障样本及诊断结果存在很强的不确定性。针对典型压缩机气阀振动信号的特点及不同故障机理,研究气阀振动信号的特征参数提取方法。提取工作循环有效值RMS1、气阀关闭段有效值RMS2,以及经两层小波包分解得到的各频带能量比系数E1、E2、E3、E4,组成6维特征向量,并将其作为支持向量机的输入。利用支持向量机适合处理高维数据且在有限样本下具有最优泛化能力的特点,对3种不同气阀状态下的振动信号经时域波形分析和小波包分解后提取的特征参数进行支持向量机学习;建立气阀故障诊断的支持向量机分类模型;利用Libsvm软件包对故障样本进行随机分类测试,并与其他智能诊断方法进行对比。对比结果表明,将支持向量机方法应用于往复式压缩机的气阀故障诊断中具有可行性;在小样本条件下,支持向量机较其他智能诊断方法具有更大的优势。     

基于LM-BP神经网络的气阀故障诊断方法

提出一种基于LM（Levenberg-Marquardt）算法优化的 BP (Back Propagation)神经网络的多级往复式压缩机压缩机气阀故障诊断方法。以6M25-185/314氢氮气压缩机的 6级压差和6级温差作为网络的输入向量,建立可对往复式压缩机一至六级气阀故障进行在线监测及故障诊断的LM-BP神经网络模型。以100组故障数据作为网络训练样本,30组数据作为网络检测样本进行故障诊断,结果表明,LM-BP神经网络相比于变梯度BP神经网络和RBF神经网络诊断更快速稳定且准确率达到96%以上。利用Matlab软件平台建立的LM-BP 神经网络故障诊断模型,模型简单便于在工程实际中应用。     

基于粗糙集与支持向量机的故障智能分类方法

结合粗糙集的属性约简与支持向量机的分类功能,提出一种应用粗糙集与支持向量机的故障分类方法。该方法应用粗糙集理论属性约简作为诊断数据预处理器,可将冗余属性从诊断决策表中删除,而不损失有效信息,然后基于支持向量机进行故障分类建模和预测。谊方法可降低故障诊断数据维数及支持向量机在故障分类过程中的复杂度,但不会降低分类性能。将方法应用于某柴油机故障诊断数据的测试分类,结果表明该方法可快速正确的从数据获得故障类剐。     

结合OCSVM的模拟电路故障诊断方法

基于支持向量机的传统模拟电路故障诊断方法对新故障无检测能力,且可扩展性较差。针对该问题,提出结合一类支持向量机(OCSVM)和多类支持向量机(MCSVM)的故障诊断方法。该方法采用OCSVM对故障数据进行检测和初步分类,采用MCSVM提高分类性能,以弥补OCSVM分类能力的不足。对OCSVM算法进行改进,以提高其检测和分类性能。通过模拟电路故障诊断实验验证OCSVM改进算法和联合故障诊断方法的有效性。     

基于GA-SVM的数模混合电路故障诊断研究

针对数/模混合电路的故障诊断,将遗传算法与最小二乘支持向量机相结合,提出一种二值分类故障诊断方法,在保证故障诊断的准确率和可靠性的基础上,实现多类故障的快速诊断。采用遗传算法优化支持向量机的结构参数和核函数参数,建立基于支持向量机的故障分类模型;提出适用于数/模混合电路的故障诊断的二值分类策略;在Pspice环境下进行仿真验证,实验结果表明,该方法有效提高了的故障诊断的精度和效率,在类别较多故障模式中具有明显的优势和实用价值。     

基于SMO算法的SVM分类器在压缩机故障识别中应用

采用时频分析和支持向量机(SVM)相结合,提出一种压缩机故障识别新方法。首先利用Labview软件平台,对压缩机振动信号进行时频分析;然后提取出空气压缩机故障信号的特征向量,组成训练样本和测试样本;最后使用一对一方法构造成多元支持向量机分类器,利用序列最小优化(S M O)算法对故障样本进行训练,实现了压缩机的故障识别。实验测试表明,该分类器有较高故障诊断效率且性能良好,适合压缩机的故障识别。     

基于融合特权信息支持向量机的模拟电路故障诊断新方法

针对模拟电路故障诊断复杂多样难于辨识的问题,提出了基于融合特权信息支持向量机的模拟电路故障诊断新方法。首先对采集的信号进行主成分分析(PCA)——特征提取;然后将训练集输入融合特权信息支持向量机进行训练获得故障诊断模型;最后将测试集输入训练好的支持向量机分类模型,实现对不同故障类型的识别。Sallen-Key滤波电路故障诊断仿真实验结果表明,该方法有效提高了分类的性能,不仅能够正确分类单故障而且能够有效分类多故障,其中单硬故障情况下平均故障诊断率达到了99%以上,为模拟电路故障诊断提供了新的途径。     

基于粒子群算法优化支持向量机的模拟电路诊断

为了提高支持向量机网络(SVM)进行模拟电路诊断的准确率,提出了一种基于粒子群(PSO)算法和支持向量机的诊断方法。该方法首先对被测电路的响应信号进行多小波变换,通过归一化处理得到分类能力强的最优故障特征;然后用粒子群算法优化支持向量机的结构参数,实现对不同故障模式分类识别。仿真结果表明,此方法能有效提高模拟电路故障诊断准确率。     

无轨胶轮车全液压制动系统故障诊断研究

针对无轨胶轮车全液压制动系统长期工作在煤矿井下恶劣的环境中而易于发生故障的问题,提出了基于支持向量机的故障诊断方法。应用支持向量机回归估计算法建立全液压制动系统的故障预测辨识模型,将支持向量机模式分类算法应用于故障分离,并在Matlab环境下分别进行了故障检测与故障分离试验。试验结果表明,将支持向量机方法应用于无轨胶轮车全液压制动系统故障诊断中是完全可行的,可以有效提高故障检测效率和诊断准确率。     

一种滚动轴承故障诊断方法

针对基于支持向量机的滚动轴承故障诊断方法中支持向量机的参数优化问题,提出一种改进的果蝇优化算法,即以模式分类准确率作为果蝇味道浓度函数,并采用该算法来优化支持向量机模型的惩罚因子和核函数参数;基于改进果蝇优化算法和支持向量机对滚动轴承的故障模式进行分类诊断,结果表明改进的果蝇优化算法具有较高的收敛速度和寻优效率,基于该算法和支持向量机的滚动轴承故障诊断方法具有较高的分类准确率。