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.     

基于改进WOA的输电线路故障分析

针对传统支持向量机数据识别分类准确率较低的问题，设计一个改进鲸鱼算法，优化支持向量机识别输电线路故障.通过Simulink仿真搭建电网模型，提取输电线路故障特征，进而使用支持向量机识别故障；利用立方混沌映射初始化种群，引入自适应惯性权重，并把对数螺旋方程中的b设置为动态值以改进鲸鱼算法，并与传统算法进行比较.结果表明：改进鲸鱼算法对输电线路故障分类的鲁棒性强、计算效率高、寻优能力强.     

支持向量机在电力变压器故障诊断中的应用

利用支持向量机的学习方法，构建了电力变压器故障诊断模型．该模型将变压器故障分为放电性和过热性两大类，通过统计分析寻求特征量区分类间的故障类型，采用支持向量机识别类内的故障类型，利用基于交叉验证的网格搜索法来确定支持向量机的参数．考虑到变压器油中溶解气体特征空间的紧致性原理，利用模糊C均值聚类算法对所获取的样本进行预选取，有效地解决了确定模型参数时耗时巨大的问题，并一定程度提高了模型的推广能力．实例验证表明，该模型在有限样本情况下，能达到较高的变压器故障判断率，放电性故障样本正确判断率为90．5％，过热性故障样本正确判断率为85．9％，说明该模型具有很好的分类效果和推广能力．     

支持向量机在电力变压器故障诊断中的应用

利用支持向量机的学习方法，构建了电力变压器故障诊断模型，该模型将变压器故障分为放电性和过热性两大类，通过统计分析寻求特征量区分类间的故障类型，采用支持向量机识别类内的故障类型，利用基于交叉验证的网格搜索法来确定支持向量机的参数．考虑到变压器油中溶解气体特征空间的紧致性原理，利用模糊C均值聚类算法对所获取的样本进行预选取，有效解决了确定模型参数耗时巨大的问题，并在一定程度上提高了模型的推广能力．实例验证表明，该模型在有限样本情况下，能达到较高的变压器故障判断率，放电性故障样本正确判断率为90．5%，过热性故障样本正确判断率为85．9%，说明该模型具有很好的分类效果和推广能力．     

基于支持向量域描述的多故障诊断动态模型

为了提高多故障诊断中对新故障类别和新故障数据的适应性，提出了一种新的多故障诊断动态模型．该模型采用支持向量域描述算法（SVDD）对多类故障进行单独训练，建立独立而封闭的特征空间，满足故障类别的动态增加需要，并采用样本与各特征空间的相对距离进行了多故障的混合识别．应用在线SVDD算法，在已有的故障特征分布信息基础上，通过更新操作，学习新数据信息，从而实现了故障模式的动态调整．通过仿真和机械故障实例数据的检验，表明该模型能够动态地提取多类故障的特征信息，改善诊断学习过程的适应性．     

基于多特征融合与机器学习的井架钢结构智能诊断

为了解决复杂的井架钢结构损伤识别问题，创新的将时域多参数信息融合与机器学习结合起来，根据井架钢结构的加速度响应信号，提出了一种基于主成分分析和支持向量机的井架钢结构损伤识别方法。首先利用加速度传感器提取在冲击载荷下井架钢结构加速度响应信号，进而获得其多个时域特征：脉冲因子、裕度因子和峭度；然后依据主成分分析法将以上特征进行融合，在保证尽可能多的信息被保留的情况下形成一个新的综合性特征；此时将该特征数据输入支持向量机模型进行损伤识别。利用以上理论进行仿真模拟计算和识别，同时利用ZJ70型井架钢结构实验室模型进行试验分析。结果表明：利用该方法识别井架钢结构单一或多处损伤准确率较高，并且简单易行耗时较少。     

经验模式分解模糊特征提取的支持向量机混合诊断模型

为解决机械故障小样本模式识别问题，有效地提高分类的准确率，提出了一种基于经验模式分解模糊特征提取的支持向量机混合诊断模型．该模型通过对信号进行经验模式分解，提取信号的本征模式分量并转化为模糊特征向量，对机器故障进行诊断，然后将模糊特征向量输入到多分类的支持向量机中，实现了对机器不同故障类型的识别．将该模型应用于汽轮发电机组的3种工作状态的识别中，测试结果表明，同原有的未经过任何特征提取以及经过小波包模糊特征提取的2种多分类支持向量机方法相比，该模型将分类准确率从原有的53．33％和86．67％提高到100％，有效地改善了分类的准确性．同时，该模型还为汽轮发电机组的故障确诊提供了有力依据．     

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.     

基于支持向量机的传输线故障类型识别算法

针对电力传输路由线路故障类参数多识别率不高等问题,利用提取故障特征向量和支持向量机结合的算法识别线路故障类型.提取故障线路特征向量,采集变化量的有效值,计算突变量所占三相突变量有效值总和的比例系数,将比例系数与零序电流判别系数结合构造故障特征向量.训练支持向量机以测试集特征向量作为输入,利用训练好的支持向量机判别分类,实现故障类型识别.实验表明,提出算法可克服多重困难针对输电线路十种类型故障进行学习并识别,并保证精度和效率.     

多特征和支持向量机相结合的语音端点检测模型

为提高语音端点检测正确率,提出一种基于多特征和支持向量机相结合的语音端点检测模型。首先提取多种语音特征,并将它们组合在一起,然后将组合特征输入到支持向量机训练建立相应的语音识别模型,最后采用建立模型对语音信号进行检测和识别。仿真结果表明,与其他检测模型相比,多特征融合和支持向量机的检测模型提高了语音端点检测正确率,具有更好的适应性和鲁棒性,对不同信噪比的信号都有较好的检测能力。     

基于核主元分析与支持向量机的监控诊断方法及其应用

为了及时反映密闭鼓风炉冶炼过程状态,实现对密闭鼓风炉炉况的监控与诊断,提出核主元分析和多支持向量机分类的相结合的过程监控与故障诊断方法.其原理是:首先,用核主元分析方法提取过程数据特征,建立核主元分析的监控模型;然后,将代表过程特征的核主元送入多支持向量机分类器中,利用"一对其余"算法对故障进行诊断与分类.实验结果表明,所提出的方法与传统的主元分析方法相比,整个样本集的可分性变大,分类正确率提高,能更准确地诊断炉子的各种故障,可有效地用于密闭鼓风炉冶炼过程的故障诊断.     

基于KPCA-LSSVM的发动机PT燃油系统故障诊断

为有效解决PT燃油系统进油油路堵塞、滤清器泄漏、喷油器油路堵塞等多种典型故障诊断问题,提出了基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的故障识别方法。首先计算油压信号的时域特征集,然后采用KPCA对原始多维初始特征向量进行特征提取,最后将经过KPCA提取的主特征向量输入经多种群遗传算法(MPGA)优化的LSSVM中实现故障类型的识别。实验结果表明,KPCA提取的主特征向量有效表达了原始故障的特征信息,相比于传统的BP神经网络和未经参数优选的LSSVM等分类模型,基于KPCA-LSSVM的故障识别方法速度更快、分类准确率更高。     

基于粗糙集的支持向量机故障诊断

该文结合粗糙集属性约简及支持向量机分类机理,提出了一种新的故障诊断方法。首先利用粗糙集对过程特征变量进行约简,去除冗余的过程信息,并降低过程数据的维数,获得具有代表性的过程特征信息。基于该特征信息建立支持向量分类机用于故障的诊断。以高压直流输电系统为例,对交流单相接地故障和直流接地故障进行诊断,诊断时间分别为12ms和11ms,诊断正确率分别为98.8%和96.8%。     

基于主元分析与支持向量机的制冷系统故障诊断方法

利用主元分析(PCA)法提取制冷系统特征向量,对典型人工智能方法所建故障诊断模型的性能进行理论研究与应用分析,确定了以支持向量机(SVM)算法为基础的故障诊断模型;针对SVM直接解决多种分类问题的困难,分析了3种多类SVM算法,确定了基于“一对其他（One vs others）”多类SVM算法的故障诊断模型,并提出基于PCA与SVM组合的PCA SVM故障诊断模型,同时,利用实验数据加以验证.结果表明：PCA SVM模型可将16个原始变量转化为相互独立的主元,并可提取前4个主元用于故障诊断而将正常与故障的模式分离,对故障的诊断率不低于98.57%,优于单纯SVM模型,且PCA SVM模型的训练速度比SVM模型快约130~350倍;PCA SVM模型对小样本的处理能力优于BP神经网络模型,其诊断正确率较高,训练耗时较少（约1/240）.     

多特征筛选与支持向量机相融合的图像分类模型

针对图像分类中的特征选择问题,提出一种多特征筛选与支持向量机相融合的图像分类模型.首先提取图像的多种特征,并对特征进行归一化处理;然后根据平均影响值对特征进行筛选,选择一组最优的特征子集;最后采用支持向量机构建图像的多分类器.采用图像数据集SIMPLIcity进行仿真实验验证该模型的有效性.实验结果表明,该模型降低了图像分类的开销,提高了图像分类性能.     

一种改进的DDAGSVM决策算法

决策导向无环图支持向量机(DDAGSVM)是一种典型的SVM多类分类算法,然而传统SVM决策分类器存在误差积累,其推广能力有待进一步提高。为改进DDAGSVM,有效的做法是定义一种类间可分离性测度,将容易分的类先分割出来,然后再分不容易分的类,使错分尽可能地远离图的根部。引入了一种基于广义KKT条件的类间可分离性测度,提出一种改进的DDAGSVM分类决策算法。三螺旋线实验和HRRP分类实验证明该方法对控制分类错误有明显的效果。     

模拟退火算法与支持向量机在机械故障诊断中的应用

为提高支持向量机在机械故障诊断测试中的分类正确率,将模拟退火算法与支持向量机相结合,用模拟退火算法优化支持向量机核函数及其参数,再将故障特征输入支持向量机进行故障识别.诊断实例表明,该方法与传统支持向量机方法相比能得到较高的诊断精度.     

基于高阶谱和Tamura纹理的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种基于高阶谱(high order spectrum, HOS)和Tamura纹理特征相结合的故障诊断方法。首先,通过高阶谱方法将滚动轴承故障振动信号的冲击提取出来;然后,对高阶谱进行处理得到二维等高线图;最后依据轴承故障相同时等高线图具有相似性以及不同时具有差异性这一特性,采用基于人类视觉感知的Tamura纹理描述方法提取特征参数后输入到多分类支持向量机(support vector machines, SVM)中进行分类。结果表明：高阶谱结合Tamura纹理特征的滚动轴承故障诊断方法在较少特征参数下故障识别准确率能达到较高的精度,对于故障尺寸不同的混合振动信号识别准确率稳定,诊断效果良好。