基于小波变换和支持向量机的电力电子故障诊断

采用小波分析与支持向量机(SVM)对电力电子故障进行自动识别和诊断,运用变尺度分辨小波方法对电力电子故障信号进行特征处理,SVM能够对小样本数进行模式识别并且具有良好的分类推广能力。在小波分析特征基础上,采用分布式多SVM分类器识别电力电子故障。实验证明,该方法能准确有效地对电力电子故障进行识别和诊断。     

孪生支持向量机在滚动轴承振动故障诊断中的应用

通过对滚动轴承振动信号进行定量分析,从振动故障信号中提取与故障诊断方法有关的故障特征,在传统支持向量机的基础上,研究孪生支持向量机的建模方法,建立基于孪生支持向量机的滚动轴承振动故障诊断模型,并结合粒子群优化算法对故障诊断模型的关键参数进行寻优,从而得到最佳的故障诊断模型。仿真结果表明,将孪生支持向量机建模方法应用于滚动轴承振动故障诊断中,能够取得较好的诊断效果和诊断效率,结合粒子群优化算法进一步提高了故障诊断模型的分类准确率,为滚动轴承的振动故障诊断提供了可行有效的思路。     

基于小波包变换和支持向量机的提升机故障诊断

在介绍小波包变换和支持向量机原理的基础上,阐述了如何利用小波包变换和支持向量机对提升机进行故障诊断的方法,该方法将故障信号经小波包变换后的频带能量作为特征向量,利用训练样本训练过的多故障分类器对特征向量进行故障识别与分类,并以提升机轴承故障为例进行了论证,试验证明.该方法对故障具有很好的诊断效果及实际运用价值.     

基于支持向量机的液压泵故障诊断

支持向量机在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,用ν-支持向量机构造"一对一"多分类算法,应用于ZB40液压泵的故障诊断,取得了较好效果,较神经网络方法,它不必预先提取信号的特征量,只需要少量的故障样本训练分类器,实用性好。     

变精度粗糙集和支持向量机在轴承故障诊断中的应用

针对故障诊断中样本缺乏以及样本数据中难免存在噪声等问题,提出了变精度粗糙集与支持向量机杂合的故障诊断方法:先用变精度粗糙集理论提取故障诊断的特征,获得最优决策系统,在此基础上设计了SVM多分类器进行故障诊断。轴承故障诊断的仿真结果验证了变精度粗糙集理论与支持向量机杂合的诊断方法的可行性。     

基于支持向量机的数控机床总线的故障诊断研究

为了能够准确地对数控机床进行故障诊断,深入地研究了支持向量机故障诊断的方法。提出了最小二乘支持向量机的基本理论;提出了遗传模拟退火算法;进行了实例研究,结果表明该方法具有较高的故障诊断能力。     

基于支持向量机的煤矿井下水泵故障诊断研究

对井下水泵常见故障进行分析,将支持向量机理论和网格搜索算法进行融合,对煤矿井下水泵故障与特征频率信息进行处理,进而完成水泵的故障诊断。试验表明,该水泵故障诊断方法时间快、诊断精度高。     

基于支持向量机的矿用通风机故障诊断

以小波包技术和支持向量机为工具,对定子电流信号进行分析,建立通风机多故障分类器,实现故障智能识别。运用小波包技术将定子电流的时频信号分解为几个包含通风机不同工作状态信息的频段,并提取出各个频段的特征向量,以此作为分类器的训练样本,采用有向无环图解决多分类问题。以转子断条为例,对已训练完成的多故障分类器进行验证。研究结果表明,该方法具有良好的多故障分类智能诊断性能。     

基于小波-支持向量机的矿用通风机故障诊断

运用小波包频道能量分解技术提取了不同频带反映矿用通风机不同工作状态的特征向量,以此作为支持向量机多故障分类器的故障样本,经训练的分类器作为故障智能分类器可对通风机的工作状态进行自动识别和诊断.并以不对中故障为例,进行了实用验证.研究结果表明,支持向量机在小样本情况下仍能准确、有效地对通风机的工作状态和故障类型进行分类.     

基于改进支持向量机方法的汽轮机故障诊断研究

针对汽轮机故障诊断问题,在分析比较支持向量机"一对多"和"一对一"多分类算法的基础上,构建改进的串行支持向量机多分类方法,并依据该算法建立了多故障分类器,将其应用于典型的汽轮机故障诊断,仿真实验结果证明了该方法的有效性。     

基于EMD和样本熵的滚动轴承故障SVM识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、非线性动力学方法—样本熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再计算所选分量的样本熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的状态。利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

Hilbert变换在滚动轴承故障诊断中的应用

针对滚动轴承故障特征的提取问题,讨论了Hilbert变换的基本原理,以及基于Hilbert变换的包络解调方法在滚动轴承故障诊断中的应用,并用LabVIEW编制了相应的程序。实践表明,基于Hilbert变换的包络解调方法具有明显的诊断意义。     

基于LabVIEW的滚动轴承故障诊断系统

通过对滚动轴承工作特性及其故障研究,设计了基于LabVIEW软件的滚动轴承故障诊断系统。分析了滚动轴承振动机理与失效形式,运用共振解调分析与希尔伯特变换作为滚动轴承故障诊断的方法。通过对轴承支持架故障分析表明该系统对滚动轴承故障诊断正确有效。     

基于支持向量机的矿用电机故障诊断

提出一种基于电流信号频谱分析和支持向量机(SVM)的矿用感应电机早期故障诊断方法。对定子电流采样后,经FFT变换后提取故障特征量作为支持向量机的输入,基于1对1算法和混合矩阵组合策略构造了多故障SVM分类,对不同类型的故障进行诊断和分类。实验结果表明,该方法能够有效解决电机故障诊断中小样本集、非线性、高维数时的故障分类问题,提高电机故障诊断的准确性。     

基于小波减噪的滚动轴承故障频率的识别

研究了振动信号局部奇异性在小波变换下的特性,定量分析了小波变换方法的减噪特性。根据滚动轴承故障振动信号和噪声的局部奇异性在小波变换下模极大值在不同尺度上的传播特性不同的特点,利用小波分解和重构算法,对轴承振动信号进行了分解、减噪、重构和谱分析。实验表明,小波减噪方法非常适于低信噪比情况下滚动轴承微弱振动信号的故障频率检测。     

基于关联维数与支持向量机的内燃机故障诊断研究

为解决内燃机故障诊断这一复杂问题,在ANSYS环境下,对6110型内燃机曲轴在正常工作状态和几种故障状态下进行瞬态动力学分析,得到曲轴的振动信号,对各信号进行相空间重构,并计算其关联维数,采用支持向量机(SVM)直接对关联维数进行分类,从而将配气机构的故障诊断转换为对曲轴振动信号关联维数的分类。研究结果表明:内燃机曲轴在不同工作状态下,振动信号的关联维数各不相同,将关联维数作为特征参数能够去除内燃机曲轴振动信号时域图中的冗余信息,突出故障类型,将关联维数与支持向量机相结合能够较好地解决内燃机故障诊断中的样本少、维数高等问题。     

基于支持向量机的旋转机械非线性故障诊断研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一 ,支持向量机(SVM)是一种基于统计学习理论 (SLT)的机器学习算法 ,它能在训练样本很少的情况下达到很好的分类效果 ,从而为故障诊断技术向智能化发展提供了新的途径。介绍了支持向量机分类算法 ,探讨了该算法在故障诊断领域中的应用 ,并利用不同的核函数与BP神经网络分类方法进行了对比研究。结果表明 ,SVM方法在小样本情况下的分类效果优于BP神经网络。     

Park矢量变换在异步电机故障诊断中的应用

分析了异步电机系统中Park变换过程,应用矢量变换将三相定子电流转换为图形方式进行故障诊断,文中给出了故障形式与图形的关系,通过实例验证了该方法的有效性。     

K-S检验在轴承故障诊断中的应用

将K -S检验应用于轴承故障诊断中 ,成功快速诊断出轴承微弱故障 ,然后通过小波分析结合频谱细化分析 ,精确得到轴承故障位置。实践证明 ,K -S检验是一种有效、实用和快捷的智能诊断方法。