消除EMD端点效应的PSO-SVM方法研究

经验模态分解(empirical mode decomposition, 简称EMD)的端点效应使得EMD分解结果产生严重失真, 为了减小分解过程中产生的端点效应, 将支持向量机(SVM)这一智能算法引入EMD, 提出采用SVM模型解决分解中产生的端点效应问题. 通过支持向量机对其原始数据两端进行延拓, 以获得一个或者多个极大值和极小值. 为了使端点处的延拓变得更加合理, 引入粒子群(PSO)智能算法对支持向量机算法参数进行优化, 使其两个端点处的数据延拓得更加准确, 从而使得三次样条曲线在端点处不会发生大的摆动, 实现EMD分解的固有模态函数(IMF)更加准确可靠. 通过对仿真信号的研究表明, 基于PSO-SVM 方法的延拓方法能够很好地抑制了分解的端点效应.     

惯性导航状态数据分析与基于SVM的故障诊断模型构建

为更好地利用当前航空装备系统积累的大量飞行数据, 从中挖掘信息来更有效地服务于空军装备可靠性为中心的维修保障工作, 将数据分析技术应用到当前的装备故障诊断中, 设计并实现了某型飞机惯性导航系统状态数据分析和故障诊断系统. 分析了整个系统的数据处理过程, 对数据自动判读处理、数据清理和修正进行了研究. 设计了支持向量机模型, 提出了通过对惯导状态信息数据进行回归预测, 用预测值与实际值之间误差诊断故障; 通过状态数据和与之对应的故障信息库, 用支持向量机进行故障分类两种方法来实现故障的诊断和决策. 最后对模型进行了验证和分析.     

一种基于EMD的模拟电路故障特征提取方法

为克服小波分析中混频现象对模拟电路故障特征提取造成的不准确,提出了一种基于经验模式分解的模拟电路故障特征提取方法。该方法通过对模拟电路输出信号进行EMD得到若干个内禀模态函数,以各IMF的能量作为故障判别的特征。并针对EMD中的端点效应问题,提出了基于遗传优化的最小二乘支持向量机预测方法。仿真实验结果证明了该方法的有效性。     

基于优化SVM的反渗透脱盐水故障诊断

针对反渗透脱盐水系统中的反渗透膜故障问题,提出了一种基于支持向量机(SVM)的故障诊断方法.为了解决SVM的参数优化问题,采用一种基于改进的混沌粒子群优化算法的支持向量机参数选择方法.将混沌理论引入粒子群优化算法中,提高种群的多样性和粒子搜索的遍历性,有效地提高了粒子群算法的收敛速度和精度,得到了优化的SVM模型.并将此模型应用于反渗透脱盐水系统的故障诊断中.仿真结果表明,改进的SVM分类器能有效地诊断出反渗透膜故障,并且取得了较高的准确率和诊断效率.     

基于模糊机会约束SVDD的故障诊断方法

针对使用不确定性数据进行多故障模式诊断问题,以模糊事件的可能性测度为基础,提出一种基于模糊机会约束支持向量数据描述的诊断方法。为有效地求解故障分类模型,提出模糊机会约束规划的对偶规划,根据贯序最小算法 (sequential minimal optimization,SMO)思想提出快速训练算法,利用支持向量数据描述使用一类数据求解分类面的优势,构建多类分类器。数值试验表明,本方法可以有效处理基于不确定数据的故障诊断问题,在故障类别较多的情况,速度有较大提高,具有一定实践意义。     

改进投票策略的多类SVM及在故障诊断中应用

针对一对一(OVO)分解法,提出了一种改进的投票(MWV)策略,解决了传统策略中的不可分区域问题。首先,由训练ω_i类和ω_j(j≠i,j=1,…,n)类而得到的SVM决策函数;再对ω_i类定义了一个取值在0~1之间的调节函数,并使改进的得票值等于传统得票值加上调节函数。最后,根据改进的得票值进行分类决策。对于可分区域的样本,改进MWV策略的分类结果与传统策略完全相同;对于不可分区域的数据,由调节函数的值决定。将所提法应用于齿轮传动箱故障诊断实例并与传统得票策略诊断进行了对比,实验结果验证了所提方法的上述优越性。     

基于聚类和SVM多分类的容差模拟电路故障诊断

针对模拟电路故障的容差特性,提出了基于聚类和二叉树SVM多分类相结合的诊断方法.在每个故障特征样本子空间中,建立所有样本与样本重心的空间方向相似度并对其进行升序排列,把排列后的空间方向相似度作为聚类对象,根据聚类分析结果选择故障特征样本,利用所选样本训练二叉树SVM多分类器,实现故障特征样本的分类决策.用故障测试样本进行检验,实验表明采用该诊断方法可以解决容差模拟电路故障模式的识别问题.     

基于EMD与关联维数的故障诊断AR模型

提出了一种基于EMD和关联维数的转子系统故障诊断方法。该方法用EMD将转子系统振动信号分解成若干个基本模式分量IMF,对包含主要故障信息的IMF分量建立AR模型,AR模型自回归参数的关联维数作为特征量神经网络识别转子系统的工作状态和故障类型。对实验数据分析的结果表明,该方法能有效地应用于转子系统的故障诊断。     

基于回归型支持向量机的液压舵机故障诊断

利用回归型支持向量机（SupportVectorRegression，SVR），设计了一个液压舵机的故障诊断系统。利用系统的可测参量，建立了基于SVR的液压舵机的全局故障检测模型。在仿真过程中发现，此方法能对电液伺服阀、位移传感器和伺服放大器的各种故障进行诊断，诊断准确度高，适用于闭环控制系统的故障检测，仿真结果验证了该方法的有效性。     

基于多惩罚因子优化VMD的滚动轴承故障特征提取方法

针对变分模态分解(variational mode decomposition, VMD)在提取滚动轴承故障特征时预先设置多惩罚因子具有不确定性的问题,结合灰狼优化(grey wolf optimization, GWO)算法提出一种基于多惩罚因子优化VMD的滚动轴承故障特征提取方法。首先利用GWO算法实现VMD的多惩罚因子自适应优化,再利用优化得到的参数将滚动轴承的振动信号分解为多个本征模态函数(intrinsic mode function, IMF),最后对各个IMF分量作包络解调提取滚动轴承的故障频率特征。研究结果表明,在优化VMD参数时,该方法相对其他方法优化效率有了明显提高,并且提取滚动轴承故障特征效果显著,得到特征频率幅值为其他方法的2～4倍,证明了该方法的有效性和优越性。     

基于小波包能量特征的滚动轴承故障监测方法

对滚动轴承的故障特点进行分析，根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性，提出了小波包能量特征的概念及算法，并给出两个仿真算例，然后将小波包能量特征与径向基函数网络相结合，提出了一种新的滚动轴承故障诊断方法，数字仿真实验证实了该方法的正确性和有效性。     

一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法

提出了一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法.采用Hilbert-Huang变换将滚动轴承振动信号分解成若干个平稳的IMF(IntrinsicModeFunction)分量,求出每一个IMF分量的瞬时幅值和瞬时频率,然后对每一个IMF分量的瞬时幅值和瞬时频率序列建立AR模型,以模型主要的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数,进一步判断滚动轴承的工作状态和故障类型.实验结果分析表明,本文方法能有效地应用于滚动轴承的故障诊断.     

基于量子进化支持向量机的模拟电路故障诊断

基于量子进化算法的最小二乘小波支持向量机(LS-WSVM),设计了一种模拟电路故障诊断方法.将量子进化算法应用于多类LS-WSVM分类器来选取正规化参数和核参数,针对从测试点得到的各种故障状态下输出电压信号,采用小波提升变换对其进行分解获取多尺度的小波系数,对经处理的小波系数提取出故障特征量,以此作为样本训练多类LS-WSVM分类器来确定模拟电路故障诊断的模型.采用雷达扫描电路进行了仿真,结果表明,设计的模拟电路故障诊断方法效果良好.     

SVR在传感器故障诊断中的仿真研究

利用回归型支持向量机(Support vector regression，SVR)，设计了一个传感器故障诊断系统。对SVR采用离线训练，在线应用的方法。使用训练好的SVR模拟系统的动态特性，并将输出结果和实际系统输出相比较，从而生成故障残差。仿真结果表明，SVR能够高精度的模拟系统的动态特性，进而生成较高精度的故障残差，有效地保证了传感器故障诊断的准确性。     

基于特征生成的轴承不均衡数据故障诊断

针对实际生产中难以获得足量的故障样本数据导致训练中样本不均衡、样本不足等问题,提出了一种基于特征聚类的过采样算法,并将其与卷积神经网络相结合的滚动轴承故障诊断模型。该模型将频域信号作为模型的输入,通过卷积神经网络进行特征提取,再通过过采样技术生成新的特征数据实现数据的均衡化,将新生成的特征数据和原有特征一同输入到支持向量机(Support Vector Machine,SVM)分类器中完成样本的分类,实现滚动轴承的故障诊断。通过对比实验,结果表明该方法可以有效解决数据不均衡的问题。     

基于监督核熵成分分析的发动机磨损故障诊断

针对发动机受工作环境影响,导致油液光谱数据存在大量冗余信息且具有非线性结构,从而影响发动机故障诊断结果的问题,提出监督核熵成分分析(supervisedkernelentropycomponent analysis,SKECA)的特征提取方法;该方法在核熵成分分析基础上引入监督学习算法,提取油液光谱数据的内在几何特征,使提取后的故障特征中包含判别信息,并利用遗传算法(genetic algorithm,GA)寻找参数来优化特征提取的结果,采用支持向量机对故障特征进行分类。结果表明:采用SKECA进行特征提取能够有效提高发动机故障诊断精度。     

贝叶斯框架支持向量机的模拟电路故障诊断

基于贝叶斯证据框架下的最小二乘小波支持向量机，设计了一种新型模拟电路故障诊断方法。将贝叶斯证据框架应用于多类LS-WSVM分类器来选取正规化参数和核参数，并采用小波提升变换对从测试点得到的各种故障状态下输出电压信号进行分解获取多尺度的小波系数，对经处理的小波系数提取出故障特征量，以此作为样本训练多类LS-WSVM分类器来确定模拟电路故障诊断的模型。采用雷达系统模拟电路进行了仿真，结果表明，设计的模拟电路的故障诊断方法效果良好。     

基于系统仿真的故障检测与辨识技术研究

将系统仿真技术应用于故障检测与诊断 ( FDD) ,提出了通过实测信息的在线交互解决理论轨线偏差的思想 ,建立了基于系统仿真的 FDD逻辑结构 ,针对 MIMO系统和线性动态 -测量系统构造了具有良好统计性质的故障辨识算法 ,为故障检测、故障辨识、故障时间确定和故障模式识别提供了新的技术途径 .本文的思想和方法不但可用于 CVDS的故障检测与诊断 ,对大规模复杂系统故障分析也具有供鉴和参考价值.     

基于BP神经网络的故障诊断方法

提出了一种表示故障的模型 ,然后为其建立了基于 BP(逆向传播 )模型的神经故障诊断网络 ,给出了该网络的训练算法和故障诊断步骤 ,并提供了在雷达系统设备上对某些部件的仿真调试诊断实例 .