SVM与PSOHF参数优化装备机械传动齿轮故障诊断

为了提高支持向量机(SVM)对齿轮故障诊断的准确性,提出了一种基于SVM与PSOHF参数优化的机械传动齿轮故障诊断新方法。采用蜜蜂觅食机制改进粒子群算法(PSOHF)对SVM径向基核函数参数c和g进行了优化,建立优化后的SVM模型;而后对齿轮不同裂纹长度的故障信号进行小波包分解,将相对小波能量作为故障特征向量输入SVM;进行模式识别和故障分类,最终实现齿轮故障诊断。齿轮裂纹故障振动实验信号的研究结果表明,PSOHF优化的SVM提高了分类正确率,更适于实际中齿轮故障诊断。     

基于鲁棒多元LS-SVM的齿轮箱故障诊断方法

多元LS-SVM算法可以直接用于多分类模式识别问题,通过对该算法的误差变量进行加权,消除了训练样本中异常值或非高斯噪声的影响,增强了多元LS-SVM算法的鲁棒性。然后,利用改进算法建立特征向量与故障模式之间的映射关系,得到齿轮箱故障诊断模型。仿真表明:与传统BP神经网络相比,鲁棒多元LS-SVM算法对齿轮箱的故障诊断的精度更高,抗干扰能力和鲁棒性更强,是一种在齿轮箱故障诊断中值得推广和采用的算法。     

结合振动特征优选和GWOA-XGBoost的电机轴承故障诊断

为解决电机轴承故障状态难以识别,从而造成诊断精度不高的情况,提出了一种基于信号特征提取与极限梯度提升算法(extreme gradient boosting, XGBoost)结合的电机轴承故障诊断模型。使用优化的变分模态分解获得振动信号的固有模态函数(intrinsic mode function, IMF)分量,再基于多尺度熵理论计算各IMF分量的多尺度熵值进行特征重构。在鲸鱼优化算法(whale optimization algorithm, WOA)中引入遗传算法的选择、交叉、变异操作对WOA进行改进。用改进的WOA算法对XGBoost的超参数进行寻优,获得了帮助XGBoost取得最优分类效果的超参数组合,将7种不同故障类型的振动信号进行重构后输入优化的XGBoost模型进行故障诊断。实验结果表明,所提GWOA-XGBoost模型的电机轴承故障诊断精度能够达到97.14%,相较于传统诊断方法,性能提升效果显著。     

基于阶次小波包与粗糙集的轴承故障诊断

针对齿轮箱启动过程中振动信号表现为非平稳、非高斯特征及传统诊断方法诊断精度不高的现状,将阶次小波包和粗糙集理论引入轴承的故障诊断中,提出了一种新的故障诊断方法。首先利用阶次跟踪算法对瞬态振动信号进行重采样,得到等角度分布振动信号,其次采用小波包对该信号分解—重构,并对每个频段的能量进行归一化,构成特征向量,通过粗糙集理论得到清晰、简明的决策规则,最后通过故障实例验证该方法的有效性。     

基于ELM的航空发动机故障诊断方法

以航空发动机主燃油泵为具体研究对象,提出了一种基于基于小波包能量比与极限学习机(Extreme Learning Machine,ELM)的故障诊断方法。对于某型真实航空发动机,采用振动传感器感知发动机附件机匣的振动信号,对获取的发动机附件机匣的振动信号采用DB3小波包对其进行3层小波包分解,求出第3层各频带信号的能量作为原始信号的特征,构建特征向量。用求得的特征向量建立基于ELM的故障诊断模型,对航空发动机主燃油泵进行故障诊断技术研究。为表明该方法的有效性,还设计了基于BP神经网络的故障诊断模型,并对所构建的特征向量进行了诊断。试验结果表明,基于ELM故障诊断方法可以有效提高故障诊断的速度及准确率,具有很好的工程应用前景。     

基于小波包频带能量检测的神经网络故障诊断技术

利用小波包频带能量检测技术对观测信号进行处理,从中获取反映故障特征的信息,以此作为输入对网络进行训练,可对故障进行比较可靠的分类。同时介绍了利用小波包频带能量检测技术提取观测信号特征向量的方法和步骤,以及基于松散小波神经网络的故障诊断方法。最后结合某型导弹舵系统故障诊断的实例,给出仿真试验,证明了该方法的有效性。     

基于小波变换与SVM的复杂装备故障诊断研究

针对复杂装备故障信号提取困难、故障诊断精度低的现状,根据小波变换对处理非平稳信号的优越性和支持向量机(SVM)对模式分类的良好性能,提出了一种基于小波变换与SVM的故障诊断模型,并选取配电系统进行故障诊断仿真实验。结果表明该模型能利用少量训练样本完成故障诊断,有效提高装备故障诊断精度。     

多层次信息融合技术在燃气轮机故障诊断中的应用

探讨了信息融合技术在燃气轮机故障诊断中的应用,构建出一种燃气轮机多层次信息融合故障诊断模型.在模型的数据融合层,采用了自适应加权融合算法,以最小化传感器测量不确定度为目标对同源测量数据进行了融合,其结果再经特征层进行故障特征的提取和融合,最终通过决策层给出诊断判定.数值实验结果证明,该故障模型能有效减小传感器测量不确定度对于诊断的不良影响,所得诊断结果的合理性和精度均得到了提高.     

故障类别的模糊聚类分析

本文通过故障状态-特征的模糊聚类分析,按故障间的相似性对故障进行分类,然后按类别实施故障诊断,可在最少监测点的条件下,获得最多的设备运行故障信息。从而简化故障诊断过程,提高诊断速度和精度。     

基于OCSVM和MCSVM的新故障检测与诊断技术研究

针对SVM故障诊断方法无法对新故障模式进行有效检测的问题,在阐述OCSVM原理的基础上,详细分析了各种参数对其性能的影响,提出了基于OCSVM和多类分类MCSVM相结合的新故障检测与诊断方法．实验结果表明,该算法在故障诊断及新故障检测方面有较高的精度,具有良好的推广性．     

RBF神经网络在异步电机故障诊断中的应用

将径向基(RBF)神经网络应用到电机的故障诊断中,建立了异步电机的RBF神经网络诊断模型。为了克服RBF神经网络学习算法的不足,引入了差分进化(DE)算法,并且利用了差分进化(DE)算法的全局搜索能力来优化RBF神经网络基函数的中心、宽度以及网络的连接权值,以获得最优的网络模型。仿真结果表明优化后的RBF神经网络的泛化能力和诊断精度都得到了大幅度提高。     

判决特征选择的快速人脸识别算法

为了在确保识别精度的条件下提高人脸识别的速度,提出了判决特征选择算法(SVM-DFS).针对多类分类问题,判决特征选择算法根据统计学习理论使用支持向量机来实现特征选择,根据全概率定理把特征选择和多类分类集成到一个统一框架.在UMIST和FERET人脸数据库上的实验表明:SVM-DFS算法可以用来挑选对分类最有用的特征,这些挑选出来的特征具有明显的物理意义.使用判决特征选择方法不但可以加快分类器的响应速度,而且不降低分类器的泛化能力.     

基于支持向量机的功率变换器开关管开路故障诊断

提出一种基于支持向量机的功率变换器开关管开路故障诊断方法。利用支持向量机建立分类模型,模型以相电流功率谱为输入量,7种故障状态为输出量,选用高斯核,使用基于二叉树分类器的分类算法。将诊断结果与基于BP神经网络的诊断结果进行比较,结果表明基于支持向量机的分类器在功率变换器开关管开路故障诊断中具有更高的准确率和更好的泛化能力。     

涡轮泵故障检测的频段能量比SOM算法

为了解决缺少故障样本情况下的涡轮泵健康状态判别问题,分析了涡轮泵振动信号的频谱,提取了频段能量比作为其故障检测特征,并讨论了自组织映射的竞争学习原理及聚类结果的U-矩阵表示,提出了一种基于频段能量比的自组织映射故障检测算法,并实现了该算法最佳匹配神经元的选择和权重向量的自适应更新。通过某型液体火箭发动机历史试车数据的验证,结果表明,健康涡轮泵数据利用该算法聚类时仅存在一个类别,相邻神经元距离小于0.1;反之,故障涡轮泵数据利用该算法聚类时明显存在两个或多个类别,且相邻神经元的最大距离大于0.1。因此,基于频段能量比的SOM算法能有效地判别涡轮泵的健康状况。     

基于概率神经网络的设备故障诊断及仿真分析

针对某些难于建立准确数学模型的复杂系统,用神经网络的方法进行故障诊断有其独特的优越性.首先分析了概率神经网络(PNN)的基本结构及其训练算法,建立了某型航空发动机故障分类的概率神经网络模型,通过对该设备故障进行定性诊断,对比分析了概率神经网络与常用的误差反向传播神经网络(BPNN)分类模型对各类故障的分类效果.仿真表明,基于PNN模型的分类方法在分类速度、精度和泛化能力方面均优于基于BPNN的模型,是一种有效的故障分类方法.     

基于层次方法和PCA特征变换的宫颈细胞识别

对宫颈细胞多分类,可以自动识别出不同状态的细胞,进而为宫颈癌诊断提供科学依据。在用6种多分类算法实验后,选取支持向量机（SVM）作为基分类器,先用一对一策略（one- versus -one）训练6个分类器进行3分类,然后再训练1个2分类器,这种二层4分类方法提高了识别准确率。又考虑不同层特征模式的差异性,在保证识别性能同时,每层分类前先采用主成分分析（PCA）法将原始154维特征变换到低维空间,去除冗余特征,加快识别速度。实验证明,所提层次PCA法在宫颈细胞分类中相比6种传统多分类方法有更高的识别准确率,可达90%以上;识别速度也较普通层次法提升了21.31%。     

基于多模型组合的模拟电路故障诊断方法

针对传统模拟电路故障诊断方法识别准确率低及耗时较长的问题,提出一种基于改进的二进制粒子群优化算法(IBPSO)与隐马尔科夫模型(HMM)的综合诊断方法。该方法利用IBPSO对故障特征进行提取优化,降低故障特征维度,进一步利用HMM对提取的故障特征进行预处理,排除不可能类故障特征,提高了LSSVM的分类准确率。经过仿真结果分析验证,该方法较现有的BP神经网络诊断方法,能够在确保正确率得到提升的基础上,进一步提高故障诊断速度,具有更强的战场环境适用性。