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.     

经验正交函数分析在轴承故障诊断中的应用

利用CWRU(the Case Western Reserve University Bearing Data Center)数据,运用经验正交函数方法,给出了滚动轴承在测试台基座、电机驱动端、风扇端不同空间上振动信号与主成分的相关系数分布图,分析了分布图与正常轴承、内圈、外圈及滚动体故障轴承的关系.仿真结果显示:采用这种分析方法能够直观地诊断出滚动轴承的健康状态.     

基于实时监测的轴承寿命预测方法

从凯斯西储大学轴承数据中心提取了斯凯孚(SKF)轴承内圈、滚动体和外圈不同故障尺寸的原始振动信号,故障尺寸分别为0.007,0.014和0.021 in（1 in=2.54 cm),对其进行经验模态分解(EMD),发现共有17个本征模函数。进行主成分分析(PCA),发现内圈和外圈故障尺寸与第一主成分和第二主成分的关系可通过主成分拟合公式进行准确拟合,因此,通过实时监测轴承振动信号并进行信号分析,可获得内圈和外圈的故障尺寸,利用Pairs-Erdogan公式和有限元仿真方法对含故障轴承的剩余寿命进行了预测。该研究对预防由含裂纹轴承导致的机械事故具有重要的意义。     

基于LMD和FCM的滚动轴承故障诊断方法

滚动轴承振动信号具有非线性、非平稳性,轴承故障发展具有渐变模糊性。因此,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和模糊C均值聚类(Fuzzy C-means Clustering,FCM)相结合的轴承故障诊断方法。应用此方法对轴承外圈故障、内圈故障以及滚动体故障进行诊断,结果表明该方法可以有效地对轴承故障类型进行识别。     

基于混沌分形理论的滚动轴承微小故障诊断

为提取轴承微小故障的故障特征,提出一种基于混沌分形理论的滚动轴承故障诊断方法。通过计算滚动轴承振动信号的最大Lyapunov指数,进行轴承运动的混沌识别;然后,对具有混沌特性的振动信号,计算关联维数和盒维数作为故障诊断的状态特征量。当关联维数不能明显区别轴承故障时,利用关联维数与盒维数相结合的方法判别故障;最后,选取滚动轴承滚动体、内圈、外圈存在微小故障和较明显故障以及正常状态7种工况的振动信号进行实验。研究结果表明:该方法能准确提取故障特征并完成滚动轴承的微小故障诊断。该方法为滚动轴承故障诊断提供了新的有效途径。     

融合Morlet小波与GA优化多模态核的轴承故障检测算法

针对轴承故障检测算法特征分辨性较低、 准确度较低等问题, 提出一种融合Morlet小波和遗传算法优化的多模态核方法轴承故障检测算法. 该算法首先针对原始轴承故障信号提取多个尺度和多个位移条件下的Morlet小波变换特征, 然后设计一个多模态核方法, 包含线性核函数与径向基(RBF)核函数, 最后在支持向量机(SVM)训练过程中采用遗传算法(GA)优化多模态核的参数, 使用最优化多模态核进行轴承故障检测. 在UoCn的智能维护中心数据集上分别测试了滚珠故障、 内圈裂纹故障和 外圈裂纹故障的检测, 并对单一核与多模态核间的错误率与效率进行对比. 实验结果表明, 改进算法能获得鲁棒的轴承故障检测特征, 且多模态核在GA的优化下能快速收敛, 获得最优化结果, 通过牺牲少量的时间效率而极大提升了轴承故障检测准确率.     

基于VMD和马氏距离SVM的滚动轴承故障诊断

针对滚动轴承早期故障识别较困难的问题,提出一种基于变分模态分解(VMD)和马氏距离支持向量机(SVM)的诊断方法。首先,采用小波阀值法对原始振动信号进行去噪处理,获得有效的振动信号。其次,根据VMD分解后每个模态的中心频率大小不同,确定最终分解层数。同时,从分解后的变分模态分量中提取能量特征。最后,为了对样本间进行距离度量,将马氏距离引入SVM的高斯核函数计算中,建立了一个基于马氏距离的高斯函数核,用于支持向量机分类器。利用改进的SVM对轴承的运行状态进行识别,实验结果表明所提方法在识别轴承正常状态、内圈、外圈以及滚珠体故障时,具有较高的准确率。     

基于特征波形稀疏匹配的滚动轴承故障模式识别

提出了一种基于特征波形稀疏匹配的滚动轴承故障模式识别方法.该方法通过自行设计的搜索算法从信号中提取多段特征波形,并对其进行学习优化,以优化后的特征波形作为基原子模型生成原子库及模式匹配库.将待识别信号在模式匹配库上进行一阶匹配分析,实现轴承故障的模式识别.对正常轴承、滚动体故障、内圈故障和外圈故障信号进行实验,验证了方法的有效性和鲁棒性.     

考虑时变位移激励的轴承圆形故障动力学

建立轴承剥落故障的动力学模型是研究轴承故障机理的常用手段,由于滚动体在经过故障区时的接触情况较为复杂,所以准确地建立轴承剥落故障时变激励函数对轴承故障动力学模型的正确性具有很大影响。但是在解决轴承圆形故障时现有的单一化激励函数难以准确表达滚动体与故障的实际接触情况。因此,主要以深沟球轴承外圈剥落故障为研究对象,构建了考虑圆形剥落故障引起的弹性形变和滚动体经过故障区域瞬时位置的时变位移激励模型。研究了滚动体经过外圈圆形故障区域时的接触间隙变化规律,分析了不同故障尺寸的双冲击信号之间的时间间隔特征并通过仿真和实验进行对比的方法验证建立模型的有效性,为研究轴承剥落故障提供了理论支撑。     

基于MEMD和RVM的滚动轴承外圈故障评判

针对经验模态分解(EMD)分析同一轴承的多通道故障信号不全面的问题,创建出一种将多元经验模态分解(MEMD)、互近似熵与相关向量机(RVM)相结合的方法,以全面分析滚动轴承外圈故障。首先,利用MEMD将滚动轴承外圈3点钟、6点钟和12点钟方向的多通道振动信号分解为多通道独立的多元本征模函数(MIMF)分量;然后,计算每个MIMF分量信号与原信号之间的相关系数,并求出相关系数最大的前两个MIMF分量的互近似熵值;最后,通过得到的近似熵值构建相关向量机分类模型,对滚动轴承外圈故障样本进行故障分析和评判,将该方法与EMD单一通道分析的方法相对比,结果表明了该方法的有效性和可行性。     

SVM与PSO相结合的电机轴承故障诊断

针对电机轴承故障问题,提出一种基于支持向量机(SVM,support vector machine)与粒子群优化(PSO,particle swarm optimization)相结合的电机轴承故障诊断方法。结合振动信号的时域与小波包能量特征,使表征振动信号的特征具有较好的可靠性和敏感性,提高了故障的诊断准确率。采用PSO算法对SVM的惩罚参数和径向基核函数参数进行寻优,并与其它参数寻优算法进行比较分析。实验表明,研究提出的轴承故障诊断方法不仅对电机轴承的外圈故障、内圈故障和滚珠故障有很好的识别效果,而且还对每一类故障的严重程度有较好的区分,具有较强的实用性。     

Nonlinear fault diagnosis method based on kernel principal component analysis

To ensure the system run under working order, detection and diagnosis of faults play an important role in industrial process. This paper proposed a nonlinear fault diagnosis method based on kernel principal component analysis (KPCA). In proposed method, using essential information of nonlinear system extracted by KPCA, we constructed KPCA model of nonlinear system under normal working condition. Then new data were projected onto the KPCA model. When new data are incompatible with the KPCA model,it can be concluded that the nonlinear system is out of normal working condition. Proposed method was applied to fault diagnosis on rolling bearings. Simulation results show proposed method provides an effective method for fault detection and diagnosis of nonlinear system.     

基于核主成分分析和支持向量机的飞机舱音信号识别

为了提高飞机事故原因的调查准确性与实时性,提出了一种基于核主成分分析和支持向量机的舱音背景声识别方法.首先提取和分析了飞机驾驶舱话音记录器中所记录背景声信号的特征参数,然后分别以多项式核函数、sigmoid核函数和高斯核函数3种核函数作为内积,对3种核函数的降维特性进行了对比分析,最后将核方法与支持向量机结合,实现对舱音背景声的分类识别.实验结果表明:通过基于不同核函数的主成分分析方法与支持向量机的结合比较,确定以高斯核函数为内积的SVM分类方法具有较好的分类效果.     

基于改进核主元分析的故障检测

针对电主轴系统特点,提出基于改进核主元分析(KPCA)的故障检测方法,引入混合核函数的定义,将多项式核和径向基核的混合核方法与主元分析方法(PCA)相结合,解决采用单一核函数诊断故障时的高误诊率问题.首先对数据进行预处理,然后使用混合核函数对数据矩阵进行映射,映射到高维特征空间,使非线性数据变量变为线性数据变量,并使用PCA提取变量数据的高维空间相关特征确定主元个数,最后根据混合非线性主元特征计算出的T2和Q统计量,实现在线故障检测.该方法改进传统核函数的选取方法,充分考虑工业过程中的非线性,更精确地描述工业过程特性,可以准确、有效地检测出电主轴系统故障.对田纳西-伊斯曼(TE)过程以及电主轴系统的应用实例证明该方法的可行性.     

基于最小二乘支持向量机的信号回归

基于支持向量机核函数的条件和Sobolev Hilbert空间H1(R;a,b)的再生核,提出了一种称为最小二乘支持向量机的新的回归模型,并将该回归模型应用于信号回归的仿真实验中.实验表明,最小二乘支持向量机的核函数采用再生核是可行的,它优于常用的高斯核函数.     

基于不同核函数的非参数利率期限结构模型的估计

给出了用非参数方法估计利率期限结构的过程,并以上海证券交易所的国债回购利率数据为样本,采用4种不同核函数：高斯核、抛物线核、四次方核和六次方核对利率期限结构模型进行估计。结果显示：当利率小于4%时,4种核函数估计结果相近;当利率大于4%时,高斯核和抛物线核的估计结果相近,四次方核和六次方核的估计结果相近;从利率均值回复的角度来说,后两者要优于前两者。所有结果表明：短期利率的密度函数是非正态的,扩散过程的漂移函数和扩散函数是非线性的,印证了非参数利率期限结构模型在刻画利率行为方面的优越性。     

基于混合核函数支持向量机的回归模型

基于支持向量机核函数的条件,将Sobolev Hilbert空间的再生核函数和Sig核函数进行有效的线性混合,给出一种新的支持向量机的混合核函数,并提出一种基于再生核的混合核函数支持向量机回归模型,该回归模型兼具了全局核函数与局部核函数的优点,且算法的复杂度被降低.仿真实验结果表明:最小二乘支持向量机的核函数采用基于再生核的混合核函数是可行的,回归的效果比单核函数可以更为细腻.     

基于卡方核的正则化线性判别行人再识别算法

针对行人再识别过程中存在获取的训练样本较少,真实样本分布不一定线性可分和算法识别率低的问题,提出基于卡方核的正则化线性判别分析行人再识别算法(KRLDA,kemel regularized linear discriminant analysis)。该算法首先利用核函数将样本从线性不可分的原始空间映射到线性可分的高维特征空间,然后在高维空间中构造描述数据之间邻近关系的散度矩阵,再利用正则化线性判别分析获得高维到低维空间的投影矩阵,使得数据在低维空间能够保持高维空间的可分性,从而提升行人再识别算法的识别率。在VIPeR、iLIDS、CAVIAR和3DPeS数据集上,实验结果表明所提出的算法具有较高识别率。     

基于测地线距离的核主元分析在齿轮泵故障识别中应用

针对传统的高斯径向基核函数中采用欧氏距离计算方法难以完全反映非线性振动数据样本点与点之间位置关系的问题,提出了改进的核主元分析方法.在高斯径向基核函数中使用测地线距离代替欧氏距离,建立基于样本类内散度和类间距的评价函数,运用遗传算法优化测地线距离中邻近点参数k以及高斯径向基核函数中参数σ.对采集的齿轮泵不同状态的振动数据进行经验模态分解,从分解的各阶本征模态分量和残余分量中提取10个无量纲参数构成原始特征参数集;运用优化后的核函数对原始特征参数集进行核主元分析.实验结果表明,改进的核主元分析方法取得了较好的识别效果.     

基于核偏最小二乘回归的人脸识别

在采用主成分分析进行人脸重构和识别时,仅从样本自身提取特征向量会导致识别误差。因此,在参考主成分分析的基础上,采用偏最小二乘回归进行人脸图像的训练和识别,并对偏最小二乘回归引入核函数。在ORL人脸数据库上的实验结果表明,偏最小二乘回归明显优于主成分分析,同时核偏最小二乘回归也显著提高了识别正确率。