基于支持向量机的往复泵泵阀故障诊断方法

提出一种基于支持向量机的往复泵泵阀故障诊断方法。该方法将泵阀振动信号的小波包变换系数作为特征向量，输入到由多个支持向量机构造的一个多值分类器中进行故障模式分类。试验结果表明，该方法不仅可以对发生故障的单个泵阀进行诊断，而且还能对同时发生故障的多个泵阀进行诊断。与常用的人工神经网络方法比较，该诊断方法具有更好的有效性、鲁棒性和推广性，在机械设备故障诊断中有很好的应用前景。     

基于EMD信息熵和支持向量机的往复压缩机轴承故障诊断

往复压缩机工况恶劣、结构复杂、易损件多等特点,增加了压缩机故障诊断难度。将EMD信息熵和支持向量机(SVM)技术相结合,应用于压缩机轴承故障诊断。通过EMD对压缩机轴承信号进行分解,计算其信息熵值,并提取出能反映轴承工作状态的信息熵,将其作为特征向量训练SVM网络。结果表明,EMD信息熵和支持向量机相结合的方法,可以准确识别压缩机轴承故障。     

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。     

基于小波包和支持向量机的齿轮故障诊断

提出了一种基于小波包和支持向量机的齿轮故障诊断方法,并介绍了该方法的原理和算法。利用获得的矿井提升机减速箱齿轮数据建立了多级故障分类器,通过对样本的分类输出检验,验证了该故障诊断方法的可行性。     

基于EMD幅值熵和支持向量机的滚动轴承故障诊断

针对滚动轴承早期故障特征微弱,无法对轴承状态进行有效辨识的特点,提出基于EMD幅值熵和支持向量机的故障诊断方法。首先通过经验模态分解的自适应性将振动信号分解为不同时间尺度的本征模态函数IMFs,然后从分解的IMFs中分别提取瞬时幅值香农熵构造故障特征集,最后通过支持向量机对提取的故障特征集进行分类识别。滚动轴承实验结果表明,所提方法相比基于EMD和AR模型的故障诊断方法效果更好,诊断识别率达到100%。     

基于EMD和SVM的刀具故障诊断

为有效监测刀具在机床中可能出现的故障,提出基于经验模态分解(EMD)和支持向量机(SVM)的一种故障诊断方法。首先用EMD方法将振动信号分解为有限个固有模态函数(IMF),并选取能量较大的IMF进行标量量化得到特征向量,最后将其输入SVM进行测试进而判断故障类型。分析结果表明,基于EMD-SVM的刀具故障方法能够更有效地识别刀具故障状态。     

基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

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和球结构SVM的滚动轴承故障诊断

提出了一种基于经验模式分解(Emprical Mode Decomposition,简称EMD)和球结构支持向量机的滚动轴承故障诊断方法.该方法以EMD的能量特征向量作为输入来建立球结构支持向量机分类器,识别滚动轴承的故障类型,通过麦克斯韦的三角平面坐标色度图方法进行可视化验证,并且与小波包能量特征向量作为输入的球结构支持向量机诊断方法进行比较.结果表明,用EMD能量法作预处理更能准确地提取故障特征量,有更高的故障识别率.     

基于奇异值分解和支持向量机的转子故障诊断

为了准确识别转子不平衡、不对中、碰摩和油膜涡动等故障,利用小波分析对转子故障信号进行4层分解,将频率由高到低的5个分支信号作为奇异值分解（Singular Value Decomposition,SVD）矩阵的行向量,经奇异值分解后得到信号的故障特征值。通过支持向量机（Support Vector Machine,SVM）在选择不同的核函数和结构参数下比较其对转子故障诊断结果的影响。结果表明在选择最优SVM模型和参数的基础上,对SVD获得的故障特征值进行诊断,得出了准确的诊断结果。     

基于EMD和非线性峭度的齿轮故障诊断

采用经验模式分解(empirical mode decomposition,简称EMD)和非线性峭度的统计特性对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用EMD分解获得振动响应信号的本征模式函数,用非线性Tea-ger能量算子计算每个本征模式函数的瞬时能量,并对本征模式函数进行系数的非线性峭度计算,提取系统的特征信息。仿真结果表明,用经验模式分解和非线性峭度可实现在线监测齿轮运转工作状态,及时发现齿轮的早期故障,提高了故障检测的可靠性。     

运用EMD和GA SVM的齿轮故障特征提取与选择

针对齿轮故障特征提取,首先将齿轮箱振动信号进行经验模态分解,得到一组固有模态函数.计算各固有模态函数的能量和矩阵的奇异值,采用Shannon熵和Renyi熵度量能量和奇异值分布,构成原始特征子集.再采用遗传算法和最小二乘支持向量机的Wrapper方法选择最优特征子集.该方法能够利用较少的特征参数集准确判别齿轮故障,提高了齿轮故障诊断的精度与效率.     

基于经验模式分解的轧机主传动减速机故障诊断

运用经验模式分解算法对数值仿真信号及某轧钢厂粗轧机主传动减速机振动加速度信号进行了分解，从而得到若干个基本模式分量，对每个模式分量进行了频谱分析。仿真研究及实际工程应用表明，采用经验模式分解算法后得到的时序分量及其频谱能够很好地体现齿轮局部故障特征，具有很强的弱信号特征提取能力。     

基于小波包的经验模态分解法的研究及应用

针对多频信号经验模态分解中的模态混成现象，提出了一种经验模态分解与小波包分解相结合的新方法。经验模态分解方法基于信号的局部特征时间尺度，把复杂的信号函数分解为有限的固有模态函数之和。利用最小Shannon熵准则，对出现混成模态的固有模态函数进行小波包分解，并根据小波包分解后各频带信号的频率分布特征，选择能量比重较大的频带信号进行重构，将重构信号作为新的固有模态函数分量。仿真信号和齿轮箱故障实测数据表明，新方法能将不同的频率成分提取出来，从而提高了经验模态分解的分解能力。     

改进的经验模式分解在机械故障诊断中的应用

针对经验模式分解(empirical mode decomposition,简称EMD)在工程应用中存在的端点效应和模式混叠问题,提出了一种改进的EMD方法。首先,利用遗传支持向量回归对短信号进行延拓;然后,采用改进的包络拟合方法并结合总体经验模式分解(ensemble empirical mode decomposition,简称EEMD)处理信号,数值仿真结果验证了该方法能够有效抑制端点效应和模式混叠;最后,利用该方法并结合包络解调对滚动轴承内圈故障信号进行实验与分析。结果表明,与EMD相比,该方法可以更有效地提取故障特征,满足机械设备故障诊断工程实际需求。     

均值优化经验模态分解及其在转子故障诊断中的应用

经验模态分解（Empirical mode decomposition,EMD）作为一种自适应的信号分解方法已经被广泛应用于诸多工程领域。为了提高EMD的分解性能,分别考虑从不同权值均值曲线的迭代筛分结果中选择正交性最小以及从每层内禀模态函数迭代结果中选择最优以保证整体分解最优,发展了两种均值优化经验模态分解（Mean-optimized empirical mode decomposition,MOEMD）算法。通过仿真信号分析,将MOEMD方法与EMD等现有信号分解方法进行了对比,结果表明,MOEMD方法在分解性能和分解精度方面比EMD等方法有显著提高。最后,将MOEMD方法应用于转子碰摩故障信号分析,并与EMD进行了对比分析,结果表明,MOEMD方法不仅能够有效地识别转子碰摩故障,而且识别效果优于EMD方法。     

APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。