向量機(jī)旋轉(zhuǎn)機(jī)械故障診斷

通過對支持向量機(jī)核函數(shù)的分析發(fā)現(xiàn),當(dāng)對樣本的各個(gè)特征賦予不同大小的尺度參數(shù)時(shí),可以避免冗余特征干擾分類,增強(qiáng)關(guān)鍵特征在分類中的作用,提高支持向量機(jī)分類器的學(xué)習(xí)和泛化能力。在此基礎(chǔ)上,提出一種具有不同特征尺度參數(shù)的支持向量機(jī)(簡稱多尺度支持向量機(jī)),并通過遺傳算法最小化loo(leave-one-out)泛化錯(cuò)誤上限估計(jì),根據(jù)各個(gè)特征的識別能力賦予其不同大小的尺度參數(shù)。將多尺度支持向量機(jī)用于軸承故障診斷,實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的單尺度參數(shù)支持向量機(jī)相比,多尺度支持向量機(jī)具有更好的泛化能力。對壓縮機(jī)氣閥的故障識別表明,尺度參數(shù)的大小直接反映了對應(yīng)特征識別能力的大小,因此可以依據(jù)尺度參數(shù)的大小進(jìn)行特征選擇,保留關(guān)鍵特征,剔除冗余特征。

提出一種基于遺傳算法和支持向量機(jī)的故障診斷方法,利用遺傳算法對故障特征集和支持向量機(jī)的參數(shù)同時(shí)進(jìn)行優(yōu)化,然后把優(yōu)化選擇的故障特征輸入支持向量機(jī)進(jìn)行故障識別。既剔除了故障特征的冗余性、減少了計(jì)算量,又解決了支持向量機(jī)的參數(shù)難以選擇等問題。診斷實(shí)例表明,該方法能利用較少的故障特征得到較高的診斷精度。

故障診斷技術(shù) 摘要:隨著我國科技的發(fā)展,我國工業(yè)逐步向生產(chǎn)設(shè)備大型化、復(fù)雜 化、智能化、高速化和自動(dòng)化方向發(fā)展，設(shè)備的復(fù)雜程度日益提高， 設(shè)備的維修技術(shù)也在廣泛的發(fā)展那與進(jìn)步，相比那些傳統(tǒng)的故障診斷 技術(shù)難以滿足復(fù)雜系統(tǒng)的故障診斷要求，因此智能故障診斷技術(shù)也得 到更廣泛的應(yīng)用。并且設(shè)備的診斷技術(shù)也得到了更廣泛的發(fā)展，如何 把維修的成本降到最低，經(jīng)濟(jì)綜合效益得到提高，故障診斷技術(shù)也越 來越重要。 關(guān)鍵詞:工程機(jī)械;故障診斷;發(fā)展趨勢 引言 機(jī)械故障診斷技術(shù)作為一門新興的科學(xué)，自二十世紀(jì)六七十年代以來 已經(jīng)取得了突飛猛進(jìn)的發(fā)展，尤其是計(jì)算機(jī)技術(shù)的應(yīng)用，使其達(dá)到了 智能化階段，現(xiàn)在，機(jī)械故障診斷技術(shù)在工業(yè)生產(chǎn)中起著越來越重要 的作用，生產(chǎn)實(shí)踐已經(jīng)證明開展故障診斷與狀態(tài)預(yù)測技術(shù)研究其重要 的現(xiàn)實(shí)意義。故障診斷技術(shù)雖然很難，但經(jīng)過二十年的努力，我國自 己開發(fā)的故障

故障樣本的缺乏嚴(yán)重制約智能故障診斷的發(fā)展,本文提出支持向量機(jī)應(yīng)用到發(fā)動(dòng)機(jī)故障診斷中,該方法專門針對小樣本集合設(shè)計(jì),能夠在小樣本情況下獲得較大的推廣,而且模型簡單,具體是將汽車在典型故障下尾氣中各氣體的體積分?jǐn)?shù)作為訓(xùn)練樣本。用處理過的樣本和最優(yōu)參數(shù)建立基于支持向量機(jī)的多元分類器模型,進(jìn)行故障類別診斷。經(jīng)過libsvm工具箱進(jìn)行仿真,結(jié)果表明經(jīng)優(yōu)化后的支持向量機(jī)對于小樣本故障診斷有很高的準(zhǔn)確率。

案例推理在印刷機(jī)械故障診斷中的應(yīng)用 作者：賀小輝，陳云，韓彥嶺，應(yīng)志雄 作者單位：上海大學(xué),cims＆robot中心,上海,200072 刊名：機(jī)械工程師 英文刊名：mechanicalengineer 年，卷(期)：2004，""(9) 被引用次數(shù)：4次 參考文獻(xiàn)(3條) 1.馮煥玉.張子林膠印疑難故障判斷與排除1994 2.陸汝鈴世紀(jì)之交的知識工程與知識科學(xué)2001 3.phiipwgrant.paulm.harris.laurenceg.moseleyfaultdiagnosisforindustrialprintersusing case-lasedreasoning1996(02) 相似文獻(xiàn)(1條) 1.期刊論文賀小輝.陳云.韓彥嶺.應(yīng)志雄案例推理在印刷機(jī)械故障診斷中的應(yīng)用-中國包裝2004

支持向量機(jī)作為基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)方法，在人工智能識別方面的研究起到了重要的作用。本文將支持向量機(jī)智能識別方法引入到機(jī)械設(shè)備的故障診斷當(dāng)中，并對支持向量機(jī)模型起到關(guān)鍵作用的懲罰因子c和核參數(shù)g采用了交叉驗(yàn)證的方法進(jìn)行最優(yōu)化計(jì)算。建立了基于優(yōu)化的支持向量機(jī)的機(jī)械設(shè)備故障診斷模型，并且進(jìn)行了相關(guān)實(shí)驗(yàn)，實(shí)驗(yàn)表明，采用本文介紹的基于支持向量機(jī)的故障診斷方法可有效識別出機(jī)械設(shè)備的故障類型，對機(jī)械設(shè)備的故障診斷提供了有效的診斷方法。

針對水電機(jī)組故障信息缺乏、故障識別困難等問題,提出基于支持向量機(jī)的水電機(jī)組故障診斷模型.并針對實(shí)測水電機(jī)組故障數(shù)據(jù),分析支持向量機(jī)水電機(jī)組故障診斷模型和常用的神經(jīng)網(wǎng)絡(luò)故障診斷模型等理論在水電機(jī)組故障診斷中的優(yōu)劣.研究表明,支持向量機(jī)理論在小樣本情況下比神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的診斷能力.

針對水電機(jī)組故障樣本少的問題,將支持向量機(jī)引入水電機(jī)組故障診斷研究,提出一種結(jié)合小波頻帶分解與最小二乘支持向量機(jī)的水電機(jī)組故障診斷模型?；跈C(jī)械設(shè)備\"能量-故障\"映射關(guān)系,運(yùn)用小波分解提取機(jī)組振動(dòng)信號各頻帶能量特征值,然后將能量特征值輸入到多分類的支持向量機(jī),實(shí)現(xiàn)對機(jī)組不同故障類型的識別。通過實(shí)驗(yàn)信號分析,表明將小波能量提取與支持向量機(jī)結(jié)合進(jìn)行水電機(jī)組故障診斷是可行有效的,并具有較高的故障分辨能力,為水電機(jī)組故障診斷提供了新的方法和思路。

工程機(jī)械故障診斷專家系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

電力云計(jì)算將虛擬化與分布式技術(shù)代替?zhèn)鹘y(tǒng)的服務(wù)器+san/nas信息計(jì)算模式,虛擬池對數(shù)據(jù)的整合與管理在提高資源利用率和降低建設(shè)成本的同時(shí),由于電力云穩(wěn)定和可靠工作的前提很大程度上依賴于良好的網(wǎng)絡(luò)狀態(tài),由此也帶來故障診斷更加復(fù)雜的新挑戰(zhàn).為了實(shí)現(xiàn)電力云網(wǎng)絡(luò)故障的診斷,針對網(wǎng)絡(luò)故障本身具有的小樣本和非線性特征,采用支持向量機(jī)svm算法,在二分類無法解決多分類的基礎(chǔ)上進(jìn)行改進(jìn),選擇了一對一svm,借助實(shí)驗(yàn)數(shù)據(jù)和matlab仿真結(jié)果驗(yàn)證了其可行性.

電梯故障時(shí),具有故障特征提取困難和故障類型識別率低的問題。因此,擬提取其振動(dòng)信號并進(jìn)行分析,找到故障特征。然而,鑒于其振動(dòng)信號為非平穩(wěn)、非高斯且背景噪聲較大的信號,給有效辨識造成很大困難,所以,提出應(yīng)用最優(yōu)小波包分解和最小二乘支持向量機(jī)相結(jié)合進(jìn)行電梯智能故障診斷的方法。借助最優(yōu)小波包理論,首先提取電梯故障振動(dòng)信號的能量分布;然后將其能量分布與時(shí)域指標(biāo)相結(jié)合,構(gòu)造故障特征向量;最后,將故障特征向量作為粒子群算法優(yōu)化最小二乘支持向量機(jī)的輸入對電梯故障類型進(jìn)行識別。仿真結(jié)果表明,最優(yōu)小波包理論與最小二乘支持向量機(jī)相結(jié)合的故障診斷技術(shù)發(fā)揮了兩者的優(yōu)勢,證明了該方法的有效性和實(shí)用性。

電梯故障時(shí),具有故障特征提取困難和故障類型識別率低的問題。因此,擬提取其振動(dòng)信號并進(jìn)行分析,找到故障特征。然而,鑒于其振動(dòng)信號為非平穩(wěn)、非高斯且背景噪聲較大的信號,給有效辨識造成很大困難,所以,提出應(yīng)用最優(yōu)小波包分解和最小二乘支持向量機(jī)相結(jié)合進(jìn)行電梯智能故障診斷的方法。借助最優(yōu)小波包理論,首先提取電梯故障振動(dòng)信號的能量分布;然后將其能量分布與時(shí)域指標(biāo)相結(jié)合,構(gòu)造故障特征向量;最后,將故障特征向量作為粒子群算法優(yōu)化最小二乘支持向量機(jī)的輸入對電梯故障類型進(jìn)行識別。仿真結(jié)果表明,最優(yōu)小波包理論與最小二乘支持向量機(jī)相結(jié)合的故障診斷技術(shù)發(fā)揮了兩者的優(yōu)勢,證明了該方法的有效性和實(shí)用性。

針對電梯的幾種常見故障,論文采用了最小二乘支持向量機(jī)(ls-svm)診斷的方法。采集電梯幾種故障狀態(tài)下的振動(dòng)信號,用最優(yōu)小波包的理論分析計(jì)算故障振動(dòng)信號的能量分布,將其能量分布與時(shí)域指標(biāo)相結(jié)合,以構(gòu)造故障特征向量,作為ls-svm的輸入來識別電梯的故障原因,并采用遺傳算法優(yōu)化ls-svm的相關(guān)參數(shù)。通過對電梯六種常見故障的診斷結(jié)果表明,基于遺傳算法優(yōu)化的最小二乘支持向量機(jī)用于電梯故障診斷是一種有效的方法。

研究電路的故障問題,應(yīng)提高快速性和準(zhǔn)確性。為提高仿真電路故障診斷效率,給出了一種基于改進(jìn)支持向量機(jī)的仿真電路故障診斷方法。首先通過小波包變換實(shí)現(xiàn)了信號的能量特征提取,根據(jù)主元分析完成了特征壓縮;其次針對支持向量機(jī)多分類一對一方法存在的不可分類區(qū),將其與最近鄰分類法相結(jié)合,實(shí)現(xiàn)了電路的故障診斷,并提出了一種混合遺傳算法實(shí)現(xiàn)了小波函數(shù)和支持向量機(jī)參數(shù)的同步選擇;最后通過一仿真電路的仿真實(shí)驗(yàn),與bp,rbf和pnn等神經(jīng)網(wǎng)絡(luò)對比,結(jié)果顯示基于支持向量機(jī)的方法診斷精度最高,達(dá)到98%,為設(shè)計(jì)提供參考依據(jù)。

為了解決因缺少大量故障數(shù)據(jù)樣本而制約數(shù)字電路故障智能診斷發(fā)展的問題,提出了一種基于支持向量機(jī)的故障診斷仿真模型。由fpga仿真產(chǎn)生數(shù)字電路,由pci-7200i/o卡進(jìn)行采集。支持向量機(jī)建立在vc維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上,根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷。在選取診斷模型輸入向量時(shí),對故障信號進(jìn)行篩選,簡化了故障特征向量的提取。仿真結(jié)果表明支持向量機(jī)可以有效地對數(shù)字電路故障進(jìn)行診斷。

在現(xiàn)代化生產(chǎn)中，隨著機(jī)電設(shè)備的不斷增多，在運(yùn)行過程中難免會發(fā)生故障，這就要求需要及時(shí)對出現(xiàn)故障的設(shè)備進(jìn)行診斷，以保證設(shè)備的正常運(yùn)行。然而，隨著故障診斷技術(shù)的發(fā)展，支持向量機(jī)在設(shè)備故障診斷中得到了廣泛應(yīng)用，其是一種基于數(shù)據(jù)學(xué)習(xí)，以傳統(tǒng)統(tǒng)計(jì)學(xué)理論的方法，可以有效減少算法設(shè)計(jì)的隨意性。

支持向量機(jī)（svm）是-種解決小樣本分類問題的最佳理論算法,它的核函數(shù)的參數(shù)選擇非常重要,直接影響著故障診斷的準(zhǔn)確率.本文將粒子群算法（pso）用于支持向量機(jī)的參數(shù)優(yōu)化,提出基于粒子群支持向量機(jī)的故障診斷模型,并將其運(yùn)用于軌道電路中.通過對比matlab仿真結(jié)果得出：經(jīng)過粒子群尋優(yōu)得到的參數(shù)比隨機(jī)選取的參數(shù)更優(yōu),所建立的pso-svm模型的故障診斷準(zhǔn)確率高于普通的svm模型.

在以振動(dòng)傳遞路徑分析作為機(jī)械設(shè)備故障診斷基本技術(shù)的前提下,旋轉(zhuǎn)機(jī)械故障模擬試驗(yàn)臺系統(tǒng)需要將變速驅(qū)動(dòng)電機(jī)、調(diào)速器、軸、軸承、偏重轉(zhuǎn)盤(2只)及齒輪箱等連接起來作為鉆井泥漿泵診斷模型的基本試驗(yàn)平臺。試驗(yàn)平臺在前期調(diào)配階段可以以虛擬的方式進(jìn)行模擬構(gòu)建,在診斷步驟實(shí)施之前,預(yù)先使用旋轉(zhuǎn)機(jī)械故障模擬試驗(yàn)臺來進(jìn)行鉆井泥漿泵頻率和振動(dòng)能量分布情況的判定。利用3nb—1300c型鉆井泥漿泵作為診斷模型進(jìn)行故障診斷時(shí),必須有效區(qū)分旋轉(zhuǎn)機(jī)械故障模擬試驗(yàn)臺和實(shí)際情況之間的差異性,并精準(zhǔn)選擇出檢測點(diǎn)。

支持向量機(jī)(svm)算法以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ),依據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則,且在有效的特征信息有效的情況下,能夠?qū)?shù)據(jù)中隱藏的有效信息進(jìn)行挖掘。故本文用支持向量機(jī)對zpw-2000軌道電路進(jìn)行故障診斷研究,且用遺傳算法和粒子群算法對其中的參數(shù)進(jìn)行優(yōu)化,進(jìn)而實(shí)現(xiàn)故障類別的判斷。對提高鐵路信號維護(hù)的智能化水平有重大意義。

針對模擬電路的故障診斷問題,詳細(xì)介紹了支持向量機(jī)算法,由于它在非線性映射、小樣本學(xué)習(xí)方面的獨(dú)特優(yōu)勢,故將它引用到模擬電路的故障診斷過程中。并提出了一種基于支持向量機(jī)的診斷方法,該算法能夠?qū)Ρ粶y電路的故障進(jìn)行有效并且精確地分類。以折線逼近平方曲線的近似測量電路為例,設(shè)計(jì)了基于支持向量機(jī)的模擬電路故障診斷系統(tǒng)。以實(shí)際測試數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練后,對其它實(shí)際測量數(shù)據(jù)進(jìn)行診斷,其結(jié)果正確,驗(yàn)證了算法的有效性。

船舶的日常運(yùn)行成本非常高昂,有效的運(yùn)行時(shí)間決定了船東的盈利水平。而船舶柴油機(jī)是船舶核心的動(dòng)力裝置,其一旦出現(xiàn)問題,將嚴(yán)重影響船舶的正常運(yùn)營。因此快速診斷和排除船舶柴油機(jī)機(jī)械故障具有至關(guān)重要的意義。文章通過柴油機(jī)主要機(jī)械故障的表現(xiàn)以及造成的原因進(jìn)行分析,提出柴油機(jī)機(jī)械故障的診斷及排除的方法,希望能為相關(guān)人員提供借鑒,保障船舶柴油機(jī)安全運(yùn)行。

機(jī)械故障診斷技術(shù) —旋轉(zhuǎn)機(jī)械故障診 系別：機(jī)電系 專業(yè)：測控技術(shù)與儀器 班級：082911 姓名：楊銘 學(xué)號：029108054 指導(dǎo)老師：王平 摘要： 旋轉(zhuǎn)機(jī)械是指主要功能由旋轉(zhuǎn)運(yùn)動(dòng)完成的機(jī)械，也是機(jī)械中運(yùn)用最廣泛的一種，電動(dòng) 機(jī)，離心式風(fēng)機(jī)，離心式水泵，汽輪機(jī)，發(fā)電機(jī)等都屬于旋轉(zhuǎn)機(jī)械的范圍. 通過分析旋轉(zhuǎn)式機(jī)械各種故障產(chǎn)生機(jī)理的基礎(chǔ)上，歸納和概括了傳統(tǒng)故障診斷的基本 原理和典型故障振動(dòng)特征分析方法。由于檢測技術(shù)在當(dāng)今輕工業(yè)廣泛應(yīng)用，如電力、石化、 冶金、汽車和造船等國民經(jīng)濟(jì)重要部門，都需要用機(jī)械振動(dòng)的測試和分析，來檢測機(jī)械是 否正常運(yùn)作。 關(guān)鍵字：機(jī)械故障診斷、旋轉(zhuǎn)機(jī)械 前言 旋轉(zhuǎn)機(jī)械的主要功能是由旋轉(zhuǎn)動(dòng)作完成的，轉(zhuǎn)子是其最主要的部件。旋轉(zhuǎn)機(jī)械發(fā)生故障 的重要特征是機(jī)器伴有異常的振動(dòng)和噪聲，其振動(dòng)信號從幅值域、頻率域和時(shí)間域?qū)崟r(shí)地 反映了機(jī)器故障信息。轉(zhuǎn)子常見的故障有轉(zhuǎn)