AR模型和SVM在机床滚动轴承故障诊断中的应用

将自回归模型(AR)和支持向量机(SVM)应用到机床滚动轴承的故障诊断中,根据滚动轴承的振动信号建立自回归模型,以自回归参数和残差的方差作为特征向量,然后建立基于支持向量机的多故障分类器,进而判断滚动轴承的故障类型.通过实例分析和与神经网络方法对比,表明该方法能有效地判别机床滚动轴承的故障类型.     

多尺度排列熵及其在滚动轴承故障诊断中的应用

引入多尺度排列熵（MPE）的概念,用来检测振动信号不同尺度下的动力学突变行为,并将其应用于机械故障诊断中滚动轴承故障特征的提取,结合支持向量机(SVM),提出了一种基于MPE和SVM的滚动轴承故障诊断方法,将新提出的滚动轴承故障诊断方法应用于实验数据分析,并通过与BP神经网络对比,结果表明,该方法能够有效地提取故障特征,实现故障类型的诊断。     

粗糙集和支持向量机相整合的柴油机故障诊断算法

由于柴油发动机的结构复杂给故障诊断的研究带来了很多不便,本文基于粗糙集理论对柴油机故障诊断的决策进行属性约简,然后使用支持向量机对故障属性进行分类,从而使柴油发动机的故障诊断更加切实可靠。因此本文对粗糙集和支持向量机相整合的柴油机故障诊断算法进行浅析。     

基于支持向量机的滚动轴承故障诊断研究

在分析支持向量机多分类算法和滚动轴承故障诊断特征向量的基础上,建立了基于支持向量机的滚动轴承故障诊断模型,并对模型进行了鲁棒性研究.对建立的数学模型进行了试验验证,结果表明,建立的诊断模型对轴承故障诊断具有良好的诊断效果.     

基于粗糙集与支持向量机的电动机转子断条故障诊断

提出了一种基于粗糙集与支持向量机的电动机转子断条故障诊断方法。首先将电动机在不同故障状态下的振动信号离散化,再应用粗糙集软件rosetta对数据进行进一步的约简,得到约简后的数据应用于支持向量机的训练从而得到基于支持向量机的多分类器。实验证明:该方法检测电动机的转子断条故障是可行的。     

基于支持向量机和镜像延拓的Hilbert-Huang变换及其在滚动轴承故障诊断中的应用

采用镜像延拓处理端点效应的Hilbert-Huang变换要求将镜面放置在局部极值点处,对于长数据序列,可以先截断一部分数据,再将镜面放置在局部极值点处;但这种方法对于短数据序列显然不妥.鉴于此,利用支持向量机在小样本预测上的优势,将其与镜像延拓的Hilbert-Huang变换相结合,有效地抑制了端点效应,并通过仿真试验进行了验证.     

EMD和PCA融合在滚动轴承故障诊断中的应用

针对滚动轴承的特征提取问题提出了一种经验模态分解(Empirical Mode Decomposition,EMD)与主成分分析(Principle Component Analysis,PCA)相融合的算法。该算法先使用经验模态分解(Empirical Mode Decomposition,EMD)对故障信号进行分解,然后将得到的EMD与PCA结合提取特征。在滚动轴承故障识别中,将PCA提取的累计贡献率为95%及以上的特征主成分作为支持向量机(Support Vector Machine,SVM)的输入量,采用SVM实现故障分类。试验结果表明,融合算法故障诊断的准确率达到100%,优于单一算法PCA的诊断率。     

自适应的EEMD及其在滚动轴承故障诊断中的应用

为解决总体集成经验模态分解(EEMD)算法中存在的白噪声参数需要人为选择的问题,同时考虑到现实中难以获得大量典型故障样本的实际情况,提出了一种基于自适应总体集成经验模态分解(AEEMD)与支持向量机(SVM)的滚动轴承故障诊断法。首先在信号处理上使用AEEMD将原始振动信号分解成具有不同特征时间尺度的本征模态分量(IMF),对于不同的轴承故障来说,在不同频带内的信号能量会发生改变,因此可通过计算各个IMF的能量来实现故障特征提取;然后把IMF的能量特征值作为输入来构建支持向量机分类器模型;最后利用建立的模型对轴承的状态类型做出判别。在轴承故障实例中将AEEMD算法与EEMD算法进行对比,证明了AEEMD的分解效果更好;选用BP神经网络与SVM的诊断效果进行对比分析,表明本文中提出的方法能够更加快速准确地诊断出轴承的故障。     

改进粒子群算法优化的支持向量机在滚动轴承故障诊断中的应用

针对惩罚因子C和核参数g选择不当造成支持向量机(SVM)分类效果不理想的问题,在基本粒子群(PSO)算法基础上引入动态惯性权重、全局邻域搜索、种群收缩因子、粒子变异概率等操作,提出了一种新的改进型粒子群(IPSO)算法优化SVM参数的分类器。采用Libsvm工具箱中的公共数据集BreastTissue,Heart和Wine来测试其分类效果,结果表明IPSO-SVM分类器在预测精度和分类时间上明显优于SVM和PSO-SVM分类器。然后将其应用于滚动轴承的二分类问题和多分类问题的故障诊断中,仿真实验证明IPSOSVM分类器能显著提高全局收敛能力和收敛速度,可得到理想的分类结果。最后,用IPSO-SVM分类器对实际轴承进行故障诊断,结果验证了其拥有良好的分类稳定性,值得进一步在工程领域内推广。     

GAPSO-KELM在滚动轴承故障诊断中的应用

为了减小故障特征提取对信号处理方法和人工经验的依赖性、降低诊断模型的计算复杂度、有效提高诊断精度,本文提出了一种卷积神经网络(CNN)与核极限学习机(KELM)相结合的滚动轴承故障诊断方法.首先,直接将不同故障模式下的滚动轴承原始振动信号进行分段处理,用以构建训练集、验证集和测试集.其次,利用CNN卷积运算提取特征,通...     

KTA-KELM在滚动轴承故障诊断中的应用

在数据驱动的滚动轴承状态辨识模型构建过程中,针对核极限学习机(Kernel ExtremeLearning Machine,KELM)算法中高斯核函数的径向宽度参数σ选取不当极易造成模型分类精度差的问题,提出一种核排列优选核参数σ的滚动轴承状态辨识方法。首先,将测取滚动轴承振动信号经总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)进行分解并计算其能量熵、排列熵来构建高维的特征向量集;然后,初始化核排列(Kernel Target Alignment,KTA)算法参数:最大核排列值Ai和核参数σi,通过判断核矩阵与理想目标矩阵间距离来调节不同的Ai和σi值,来获取两矩阵距离最短时所对应的Ai,此时核参数σi最优。最后,将上述滚动轴承的高维特征向量集作为输入通过KTA-KELM算法的学习,建立基于KTA-KELM的滚动轴承的状态辨识模型。仿真实验结果表明,与KELM、ELM算法相比,KTA-KELM算法将滚动轴承状态辨识的精度由92. 5%和90%提高到98. 75%,分别提高6. 25%和8. 75%。     

小波变换在滚动轴承故障诊断中的应用

采用小波变换能够快速有效地对滚动轴承振动信号进行带通滤波。通过选用多尺度的小波变换,能较好地分离出所要分析的高频固有振动信号,然后对高频振动信号进行包络分析,从包络谱图中提取故障特征频率分量,就能诊断出滚动轴承故障发生在哪个元件上。实验结果表明,这种诊断方法是有效的。     

局域波法在滚动轴承故障诊断中的应用

简述局域波法的基本理论，通过对仿真信号和实测信号的分析，说明了局域波时频法在滚动轴承故障诊断中的可行性和有效性，并体现出其对非平稳信号时频分析的优点。     

小波变换在滚支轴承故障诊断中的应用

采用小波变换能够快速有效地对滚动轴承振动信号进行带通滤波。通过选用多尺度的小波变换，能较好地分离出所要分析的高频固有振动信号，然后对高频振动信号进行包络分析，从包络谱图中提取故障特征频率分量，就能诊断出滚动轴承故障发生在哪个元件上。实验结果表明，这种诊断方法是有效的。     

神经网络在滚动轴承故障诊断中的应用

提出了基于神经网络的滚动轴承故障诊断方法,以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别,经过实验表明,该方法对于滚动轴承的故障诊断具有一定的应用价值,并可方便地推广到类似的诊断领域。     

振动信号模型在滚动轴承故障诊断中的应用

为了克服传统故障诊断流程的缺点,提出一种基于EMD(Empirical Mode Decomposition)和振动信号模型的滚动轴承故障诊断方法,首先根据滚动轴承振动机理和振动信号的特征,建立了滚动轴承在正常和各种典型故障时的信号模型,然后采用EMD对原始振动信号做分解,并以峭度为依据进行信号重构,最后计算重构信号与不同信号模型之间的相关系数,根据系数大小可准确判断故障类型。通过对实验平台信号和风力发电机组齿轮箱滚动轴承振动信号的分析,验证了该方法的有效性和实用性。     

粗糙集理论在液压泵故障诊断中的应用

针对液压泵故障诊断特性参数多、故障诊断模糊性强的特点,提出应用阶比分析方法消除与振动信号无关的噪声干扰,然后利用粗糙集理论对故障诊断决策表进行约简,获得最优决策系统,最后在最优决策系统的基础上,形成液压泵故障诊断规则,有效提高了液压泵故障诊断的精度和效率.     

基于小波变换与粗集理论的滚动轴承故障诊断

结合小波和粗集理论的优点,提出了一种基于小波变换和粗集理论的故障诊断规则获取方法并成功应用于滚动轴承的故障诊断。该方法提取小波变换能量特征时不需要精确计算滚动轴承的故障特征频率,与传统的提取时域和频域参数方法相比,具有更高的诊断正确率。研究结果为滚动轴承和其他机械设备的故障诊断提供了新的思路,也为基于规则的智能故障诊断系统提供了一种更为简单的知识库自动构造方法。      

基于小波变换与粗集理论的滚动轴承故障诊断

结合小波和粗集理论的优点,提出了一种基于小波变换和粗集理论的故障诊断规则获取方法并成功应用于滚动轴承的故障诊断。该方法提取小波变换能量特征时不需要精确计算滚动轴承的故障特征频率,与传统的提取时域和频域参数方法相比,具有更高的诊断正确率。研究结果为滚动轴承和其他机械设备的故障诊断提供了新的思路,也为基于规则的智能故障诊断系统提供了一种更为简单的知识库自动构造方法。