基于特征熵和优化SVM的轴承故障诊断方法

为了对轴承的故障进行有效的识别,提出基于特征熵和优化支持向量机的轴承故障识别新方法.利用EMD分解信号提取分解信号的能量熵,由于这些熵值之间冗余信息较为严重,因此选用主成分分析对这些熵信息进行约简,提取最有效的特征信息,作为支持向量机模型的输入.通过粒子群优化选取最优决策树构造最佳的支持向量机分类模型进行状态的识别和判定,提高了分类的精确度.通过一个滚动轴承的实例说明方法的有效性和准确性.     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

基于支持向量机的滚动轴承早期故障诊断

针对航空发动机故障诊断过程缺乏大量实际故障数据的问题,提出了一种基于支持向量机和小波包相结合的滚动轴承的早期故障诊断方法.该方法利用有限的故障样本,以结构风险最小原理为基础,建立滚动轴承早期故障特征与其运行状态之间的对应函数关系,即故障分类器,并以该函数的输出判定轴承的早期故障类型.实验结果表明,小波包分析能够有效的提取滚动轴承中微弱的早期故障特征,支持向量机可以对这些早期故障特征进行准确识别.     

改进的阈值小波和PSO－SVM算法及应用

本文提出了基于改进阈值小波及改进支持向量机的低速重载滚动轴承故障识别方法.首先在实验台上测量三种不同工况的轴承信号,利用改进阈值小波对信号进行降噪处理,将降噪的信号利用小波包分解法得出各频带的特征能量值;其次利用粒子群算法来优化支持向量机的学习因子,提高支持向量机多分类器的识别性能;最后,将特征能量值导入优化后的多分类器,实现低速重载滚动轴承的智能识别.结果表明,结合后的方法有着良好的诊断效果.     

采用EEMD-KPCA处理的IHHO-LSSVM滚动轴承寿命预测模型

为提高滚动轴承剩余寿命预测精度,提出一种基于集合经验模态分解-核主成分分析(EEMD-KPCA)和改进的哈里斯鹰优化-最小二乘支持向量机(IHHO-LSSVM)的滚动轴承剩余寿命预测模型.首先,使用集合经验模态分解方法对原信号进行分解,根据相关系数和峭度值选取合适的本征模态函数进行重构;然后,提取时域、频域、小波包能量谱等指标,并用核主成分分析,选取累计贡献率大于85%的主成分作为轴承退化性能指标;建立最小二乘支持向量机寿命预测模型,针对模型参数,提出一种改进的哈里斯鹰优化算法,并在新算法基础上设计新的能量周期性递减调控机制.采用轴承全寿命实验数据进行验证,结果表明:该方法提取的轴承性能评估指标能够更全面地表征轴承性能退化情况,建立的模型具有良好的预测效果.     

基于PF能量特征和SVM的变速箱轴承故障诊断方法

内圈点蚀、外圈压痕是变速箱滚动轴承常见典型故障,为实现其快速、准确诊断,提出基于局部均值分解(Local mean decomposition,简称LMD)的PF(Product Function)分量能量特征和支持向量机(Support Vector Machine,简称SVM)相结合的变速箱滚动轴承诊断方法.将采集的振动信号进行LMD局部均值分解,获得若干个PF分量,并以计算的PF分量的能量熵作为特征量输入支持向量机,进行滚动轴承的故障类型的识别.通过对滚动轴承正常状态、内圈点蚀故障和外圈压痕故障的诊断效果对比分析表明,相对于基于神经网络的轴承故障诊断方法,基于PF分量能量特征和支持向量机的诊断方法有着更高的故障识别率.     

基于双谱和PSO-SVM的滚动轴承故障诊断

针对故障轴承信号的非线性、非高斯性,提出了一种基于双谱和纠错编码支持向量机（error-correcting output codes support vector machine,ECOC-SVM）的滚动轴承故障诊断方法。使用故障轴承振动信号双谱特征构造特征向量,在SVM的训练过程中,使用微粒群算法（particleswarm optimization,PSO）对支持向量机的参数进行优化。实验结果表明该方法能获得较高分类准确率。     

基于层次支持向量机和KICA的人脸识别

针对人脸图像的非线性特点,将基于核方法的核独立分量分析算法用于提取人脸图像特征.为避免多类支持向量机出现不可识别域,提出基于二叉树思想的层次支持向量机算法,用于多类人脸识别.将层次支持向量机和核独立分量分析算法相结合进行人脸识别,首先对人脸图像进行预处理和主成分分析法降维;然后运用核独立分量分析算法估算出独立基影像,从而得到人脸特征;最后将人脸特征输入层次支持向量机进行分类识别.在ORL人脸库上的仿真结果表明该算法较好地兼顾了识别率和运行速率.     

基于小波包和改进多元LS-SVM 的滚动轴承故障模式识别

为了实现对故障轴承的特征提取和对故障特征的准确分类,该文提出了应用小波包变换与改进的多元最小二乘支持向量机(LS-SVM)相结合进行滚动轴承故障模式识别的方法.首先,利用小波包对滚动轴承振动信号进行分解和重构,并构造特征向量;然后,针对传统的单个核函数不能兼顾学习能力和泛化能力的缺点,提出了应用混合核函数对多元LS-SVM进行改进的算法;最后,将特征向量作为输入,分别应用于常用核函数和基于混合核函数的多元LS-SVM对滚动轴承故障类型进行仿真判别对比实验.结果证明了所设计方法的有效性.     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

基于深度学习特征提取和GWO-SVM滚动轴承故障诊断的研究

针对传统滚动轴承故障诊断的方法需要人为构造算法提取并选择故障特征,孤立地对待特征提取和特征选择,提出了应用卷积神经网络(Convolutional Neural Networks, CNN)和灰狼优化算法(Grey Wolf Optimizer,GWO)的支持向量机(Support Vector Machine, SVM)相结合的故障诊断新方法.首先将原始信号转化为尺度谱图,然后选择预训练好的CNN模型AlexNet对信号的尺度谱图进行特征提取,再通过主成分分析法(Principal Component Analysis,PCA)对得到特征数据进行降维,最后将归一化后的数据输入到灰狼优化算法的SVM分类器中,从而实现轴承健康状态的故障诊断.使用美国凯斯西储大学提供的轴承数据进行仿真实验,结果表明所提方法能够自适应提取合适的特征,并有较高的分类准确率.     

基于多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有不同复杂性的特点,提出了一种新的基于多尺度熵(multi-scale entropy,简称MSE)和支持向量机的滚动轴承故障诊断方法.该方法首先利用MSE方法对滚动轴承不同类型振动信号进行故障特征提取,然后与样本熵方法对比说明MSE方法相对于样本熵方法的优势,最后通过适合小样本分类的支持向量机作为分类器来识别滚动轴承故障类型.对实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.     

采用改进回归型支持向量机的滚动轴承剩余寿命预测方法

为准确评估滚动轴承运行状态、预测其性能退化趋势以及剩余寿命,提出一种改进回归型支持向量机(SVR)的滚动轴承寿命预测方法。提取轴承信号的时域和时频域特征,通过主成分分析(PCA)方法将特征指标融合成一个归一化综合指标来表征轴承运行状态;利用特征指标和综合指标构建训练和预测向量数据集,结合差分进化灰狼群算法(DEGWO)确定最优惩罚参数和径向基函数(RBF)核参数并构建回归型支持向量机模型;将预测数据集输入到DEGWO算法优化的SVR模型中得到轴承状态评估指标的预测值,实现轴承剩余寿命的预测。利用IEEE PHM 2012数据集验证所提方法的有效性,并将其结果与灰狼群算法(GWO)优化的SVR、网格搜索算法(GSA)优化的SVR和长短期记忆神经网络(LSTM)模型所得结果进行对比分析。仿真结果表明：与其他方法相比,采用所提方法得到的轴承剩余寿命预测均方误差分别降低了44.74%、66.67%、77.27%,决定系数则分别提高了7.25%、20.72%、11.94%,该结果说明了所提方法在轴承剩余寿命预测应用方面的优越性。     

基于小波和支持向量数据描述的故障智能诊断

提出一种基于小波特征提取和支持向量数据描述的故障智能诊断方法,通过提取实测信号经小波分解后各频带重构信号的能量作为特征,进行支持向量数据描述分类器的训练和分类.通过对滚动轴承故障智能诊断实例表明,该方法可以有效提取信号的故障特征,改进支持向量数据描述在故障诊断中精确度.     

一种基于ICA的特征Bagging支持向量机集成方法

为提高支持向量机集成的泛化性能,提出一种基于独立成分分析法的特征Bagging支持向量机集成方法,删除了冗余特征.该方法从得到的独立成分特征空间中提取特征子空间,避免了直接从原特征空间中随机选择特征子空间而导致的对特征依赖或相关性的破坏,提高了个体支持向量机的性能,保证了个体支持向量机之间的差异度.在UCI和Stat-Log数据集合上的仿真实验表明,该方法具有更好的泛化性能.     

基于GLCM-SDAE的滚动轴承故障诊断方法

目的针对传统信号分析方法在滚动轴承故障特征提取和故障分类等方面的不足,结合堆栈去噪自编码(Stacked De-noising Auto-Encoders,SDAE)算法在提取特征和特征分类等方面的优势,提出一种基于灰度共生矩阵(Grey-Level Co-occurrence Matrix,GLCM)和SDAE的滚动轴承智能故障诊断方法.方法首先通过短时傅里叶变换(Short-Time Fourier Transform,STFT)将滚动轴承振动信号转化为灰度时频图,然后利用灰度共生矩阵提取灰度时频图中的故障特征参数,构建滚动轴承故障类别的特征向量空间,最后将其输入到构建的SDAE网络模型中,以实现滚动轴承的智能故障诊断.结果在轴承数据集上进行了故障特征提取和故障类型识别实验,结果表明笔者所提方法在训练集和测试集上平均分类精度均达到了95%以上.结论相较于从原始信号中提取特征的支持向量机(Support Vector Machine,SVM)、深度信念网络(Deep Belief Network,DBN)等方法,笔者所提出的方法能够提高故障识别率,可有效地对滚动轴承故障状态进行智能诊断.     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

小波支持向量机在滚动轴承故障诊断中的应用

为提高支持向量机故障分类器的性能,提出了一种小波核函数支持向量机故障分类器.基于平移不变核函数条件,推导证明了Mexican hat小波函数是一种容许核函数.利用正常、滚动体故障以及内、外圈故障4种状态的轴承试验数据,研究了小波支持向量机分类器的性能.与基于RBF核函数的支持向量机的分类结果进行对比表明,小波支持向量机具有更高的分类正确率.     

基于动态独立成分的单类支持向量机方法及其在故障诊断中的应用

针对工业过程故障诊断中数据的动态性、非高斯性和非线性特点,提出一种基于动态独立成分的单类支持向量机(OCSVM)方法。为了分析数据的动态特性和非高斯性,应用动态独立成分分析(DICA)方法提取数据变量中的动态独立成分作为特征信息,基于特征信息建立OCSVM模型并构造非线性监控统计量。检测到故障后,计算故障数据与故障模式数据决策超平面的相似度,通过相似度分析识别故障模式。在Tennessee Eastman基准过程上的仿真结果表明,提出的方法能够比单类支持向量机更有效地检测过程故障,并且能够正确识别故障模式。     

基于核主成分KPCA的LS-SVM的算法分析

主成分分析（PCA）是一种重要的特征抽取方法,而核主成分分析（KPCA）是在此基础上结合核函数提出来的主成分分析法,在多维回归分析中具有重要的作用。最小二乘支持向量机（LS-SVM）是SVM的一种改进算法,将KPCA与LS-SVM结合起来建模,并试验说明较之单独用最小二乘支持向量机（LS-SVM）建模方法具有更良好的推广性。