基于LCD信息熵特征和SVM的机械故障诊断

提出了一种基于局部特征尺度分解(LCD)信息熵特征和支持向量机(SVM)相结合的机械故障诊断方法。首先采用LCD对振动信号进行分解,得到若干个具有物理意义的内禀尺度分量(ISC);结合信息熵理论,从时域、频域和时频域3个角度分别定义了时域奇异谱熵、频域功率谱熵以及时频域的特征空间熵、边际谱熵和瞬时能量熵,并将这些熵值组成特征向量;最后通过SVM对特征向量进行分类识别。轴承故障诊断的实例表明,基于LCD信息熵特征和SVM相结合的方法能够准确地对轴承故障信号进行识别,并且效果要好于EMD信息熵特征和SVM结合的方法。     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

基于D-S证据理论和支持向量机的液压泵故障诊断技术

针对D-S证据理论中难以确定基本概率分配的问题,提出利用“一对一”支持向量机分类解决基本概率分配的方法.首先,通过试验采集了液压泵各种故障状态下的振动信号和压力信号;其次,运用小波包分解提取各频带能量作为特征向量;最后,用所提出方法解决了基本概率分配,并将D-S证据理论和支持向量机相结合对液压泵进行了故障诊断.实验结果验证了该方法的有效性.     

基于CEEMDAN SVM的液压泵故障诊断方法研究

由于液压泵故障振动信号微弱和不平稳的特性,造成特征向量提取和故障诊断困难。针对这些问题,提出一种CEEMDAN与支持向量机结合的故障诊断方法。将传感器测得的液压泵故障振动信号进行CEEMDAN分解,得到多个固有模态函数（IMF）,并计算其样本熵作为支持向量机的输入特征向量,以诊断液压泵的故障类型。液压泵故障诊断实验结果证明了该方法的有效性和优越性。     

免疫支持向量机方法在液压泵故障诊断中的应用

针对在液压泵故障诊断中故障样本难以获得的问题,融合人工免疫系统中的实值否定选择算法和支持向量机算法提出了一种混合的故障诊断方法。在该混合方法中使用算法产生非己集合（故障样本）,将其作为算法的输入进行训练,解决了难以获得故障样本的难题。应用小波分析完成液压泵端盖振动信号的消噪及特征提取。最后用柱塞泵脱靴故障样本进行诊断,正确率可达90％,验证了混合诊断方法的有效性。     

基于RS和多类SVM的变压器故障诊断

鉴于电力变压器故障信息的复杂性和不完备性,建立了基于粗糙集(RS)和支持向量机(SVM)相结合的故障诊断模型.先利用RS对变压器的故障样本进行知识约简,以获得故障征兆最小条件属性与故障类型的相关关系;后利用多类SVM对小样本数据的泛化能力,建立多类故障分类器用于故障诊断.实例验证了该方法是有效的.     

基于SVM的航空发动机滚动轴承故障诊断技术研究

滚动轴承是航空发动机中应用非常广泛的一种通用机械部件,本文提出了基于支持向量机的航空发动机轴承故障诊断模型,并且通过实证研究,证明了该方法在航空发动机故障诊断的优越性。     

基于RS和多类SVM的变压器故障诊断

鉴于电力变压器故障信息的复杂性和不完备性,建立了基于粗糙集(RS)和支持向量机(SVM)相结合的故障诊断模型.先利用RS对变压器的故障样本进行知识约简,以获得故障征兆最小条件属性与故障类型的相关关系;后利用多类SVM对小样本数据的泛化能力,建立多类故障分类器用于故障诊断.实例验证了该方法是有效的.     

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LFOA优化多核支持向量机的液压泵故障诊断

针对采用传统支持向量机(Support Vector Machine,SVM)进行故障诊断时核函数的构造和参数的选取存在盲目性的问题,提出一种基于改进果蝇优化算法优化多核SVM的液压泵故障诊断方法。首先,对液压泵振动信号进行局部特征尺度分解(Local Characteristic-scale Decomposition,LCD),从多个角度提取混合特征组成特征集。然后,基于全局核函数和局部核函数构建多核支持向量机,并利用具有Levy飞行特征的果蝇优化算法(LFOA)对核函数权值和参数的选取进行优化。最后,将特征集输入多核SVM进行识别。液压泵故障诊断结果表明,与采用FOA、GA和PSO优化算法及单核SVM相比,所提方法具备全局寻优能力强和诊断准确率高的优点,可有效应用于液压泵故障诊断。     

基于SIE和SVR的液压泵故障定量诊断

为更好地实现液压泵故障定量诊断,对故障定量诊断中的退化特征提取和故障程度诊断方法进行研究。针对排列熵算法的不足,提出空间信息熵(spatial information entropy,简称SIE)的概念,分析了空间信息熵3个参数(时间序列的分区数s、相空间重构的嵌入维数m和延迟时间τ)变化对其性能带来的影响,为其选取提供了依据。仿真分析结果也验证了其作为液压泵退化特征的有效性和优越性。基于空间信息熵算法提取液压泵故障退化特征集,针对退化特征与故障程度之间存在的非线性关系,提出采用果蝇优化算法优化参数的支持向量回归机实现液压泵的故障定量诊断。对实测液压泵振动信号分析结果表明,空间信息熵在表征液压泵故障程度方面具有更好的性能。将果蝇算法优化参数的支持向量回归机用于液压泵的故障定量诊断得到了理想的定量诊断效果,并通过对比分析验证了提出的支持向量回归机模型的有效性和优越性。     

基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法

针对早期滚动故障特征不明显和特征提取难等问题,将一种新的衡量时间序列复杂性的方法--复合多尺度熵（CMSE）应用于滚动轴承故障振动信号的特征提取。CMSE克服了多尺度熵中粗粒化方式的不足,得到的熵值一致性和稳定性好。同时,针对机械故障智能诊断中收集大量的样本比较容易而要对所有的样本进行类别标记却较为困难这一问题,将拉普拉斯支持向量机（LapSVM）应用于滚动轴承故障的智能诊断中。在此基础上,提出了一种基于CMSE,序列前向选择（SFS）特征选择和LapSVM的滚动轴承故障诊断方法。最后,将提出的方法应用于试验数据分析,结果表明：CMSE能够有效地提取滚动轴承的故障特征;当有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,结合SFS特征选择的LapSVM方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。     

基于容错度自适应支持向量机的液压泵故障诊断

针对已有在线故障诊断方法在数据量大、噪声强条件下分类速度较低、分类精度不够高等问题,结合液压泵故障类别数目大、工作环境恶劣的特点,提出了一种适用于混凝土泵车液压泵在线诊断的状态识别算法——容错度自适应支持向量机。该方法主要从四个方面对分类速度做了改进：①引入容错度因子进行模型训练;②优先选择能将某一类故障样本单独分离出来的二分类器;③在满足②的基础上选择平均支持向量机少的分类器;④引入增量学习算法对参数进行自适应调整,提高多故障诊断中对新故障类别和新故障数据的适应性,保证系统的分类精度。通过对混凝土泵车的液压泵故障诊断,证明了该方法在明显提高分类速度的同时保证了较高的分类精度。     

基于D-S证据理论的液压泵故障诊断

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明,基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。     

基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。     

基于小波消噪的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点，采用小波分析进行消噪处理，利用具有紧支结构的小波函数进行分解和重构消除检测信号中的干扰成分，有效提取故障特征，从而实现液压泵配流盘偏磨故障及滑靴磨损故障的高效故障诊断。试验结果表明，小波包分析能够将信号进行多层次的划分，根据被分析的信号的特征，自适应地选择相应的频带，从而提高信号的时—频分辨率，在时域和频域上有效突出故障信息，实现微弱故障的高效诊断。     

基于D-S证据理论的液压泵故障诊断

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。     

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。