支持向量機旋轉(zhuǎn)機械振動故障診斷

針對傳統(tǒng)方法難以精確提取水電機組非平穩(wěn)振動信號的故障特征,首先引入變分模態(tài)分解(variationalmodaldecomposition,vmd)將水電機組非平穩(wěn)振動信號分解為一系列中心頻段互不重疊的imf分量,進(jìn)而采取能量法提取各imf分量的故障特征,最后將提取的故障特征向量輸入到本文建立的基于遺傳算法優(yōu)化支持向量機的故障診斷模型中,實現(xiàn)故障模式的識別與診斷。將該方法應(yīng)用于實際水電機組故障振動信號的處理中,仿真結(jié)果表明,該方法能夠有效識別機組的異常狀況,具有較高的故障診斷正確率。

水電機組的振動信號為典型的非平穩(wěn)、非線性信號。為了通過振動信號正確判斷水電機組的運行狀態(tài)，本文提出運用經(jīng)驗?zāi)B(tài)分解處理原始信號，并對獲得的基本模式分量計算其復(fù)雜度特征，最后運用最小二乘支持向量機進(jìn)行故障診斷。選取徑向基函數(shù)作為核函數(shù)，并通過網(wǎng)格搜索和交叉驗證確定相關(guān)參數(shù)。結(jié)果表明，經(jīng)驗?zāi)B(tài)分解復(fù)雜度特征和支持向量機結(jié)合，能夠準(zhǔn)確地實現(xiàn)故障診斷，確定故障類型，為機組運行維護(hù)人員提供參考依據(jù)。

針對水電機組常規(guī)振動故障診斷分類器不能反映分類中的不確定信息的不足,提出一種基于粗糙集的一對一(1-v-1)多類支持向量機分類方法。該方法充分利用粗糙集對不確定、不完整數(shù)據(jù)和復(fù)雜模式的良好刻畫能力及支持向量機優(yōu)秀的泛化能力,應(yīng)用粗糙集最核心的思想:上、下近似來描述支持向量機分類結(jié)果。結(jié)合1-v-1方法實現(xiàn)支持向量機的多類分類,導(dǎo)出多類分類時樣本的上、下近似和邊界區(qū)域的集合表示,并以規(guī)則的形式對分類器進(jìn)行描述。用所提方法對國際標(biāo)準(zhǔn)測試數(shù)據(jù)進(jìn)行實驗,并應(yīng)用于某水電廠機組振動故障診斷。所得結(jié)果與單純1-v-1多類支持向量機方法比較,結(jié)果表明該分類器具有規(guī)則簡潔、分類階段所需存儲空間小,能夠反映故障模式分類中的不確定信息等優(yōu)點。

提出應(yīng)用粗糙集和支持向量機水電機組振動的故障診斷模型。運用粗糙集理論對水電機組振動信號的屬性特征進(jìn)行預(yù)處理,在約簡去除其冗余屬性后得到?jīng)Q策表,將決策表作為支持向量機的學(xué)習(xí)樣本,通過訓(xùn)練,使構(gòu)建的支持向量機多分類器能夠反映屬性特征和故障類型的映射關(guān)系,從而達(dá)到故障診斷的目的。測試結(jié)果表明,與常規(guī)方法相比,應(yīng)用粗糙集和支持向量機相結(jié)合的方法進(jìn)行故障診斷具有簡單有效、診斷速度快和良好的魯棒性等優(yōu)點,是一種有效的診斷方法。

提出了一種利用小波包分析提取水電機組的振動故障特征和基于支持向量機的水電機組振動故障診斷方法。以二值分類為基礎(chǔ),構(gòu)建了基于支持向量機的多值分類器。先對水電機組的振動信號進(jìn)行頻譜分析,提取該信號在頻率域的特征量,將頻譜特征向量作為學(xué)習(xí)樣本,通過訓(xùn)練,使分類器能夠建立頻譜特征向量和故障類型的映射關(guān)系,從而達(dá)到故障診斷的目的,并以水電機組振動多故障分類為例,進(jìn)行了應(yīng)用檢驗。結(jié)果表明,與常規(guī)方法相比,該方法簡單有效、并具有很好的分類能力和良好的魯棒性,可以滿足在線故障診斷的要求,適合水電機組振動故障的診斷。該方法為水電機組故障診斷向智能化發(fā)展提供了新的途徑。

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應(yīng)用到發(fā)動機故障診斷中,該方法專門針對小樣本集合設(shè)計,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)化后的支持向量機對于小樣本故障診斷有很高的準(zhǔn)確率。

支持向量機作為基于統(tǒng)計學(xué)理論的機器學(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。本文將支持向量機智能識別方法引入到機械設(shè)備的故障診斷當(dāng)中，并對支持向量機模型起到關(guān)鍵作用的懲罰因子c和核參數(shù)g采用了交叉驗證的方法進(jìn)行最優(yōu)化計算。建立了基于優(yōu)化的支持向量機的機械設(shè)備故障診斷模型，并且進(jìn)行了相關(guān)實驗，實驗表明，采用本文介紹的基于支持向量機的故障診斷方法可有效識別出機械設(shè)備的故障類型，對機械設(shè)備的故障診斷提供了有效的診斷方法。

通過對支持向量機核函數(shù)的分析發(fā)現(xiàn),當(dāng)對樣本的各個特征賦予不同大小的尺度參數(shù)時,可以避免冗余特征干擾分類,增強關(guān)鍵特征在分類中的作用,提高支持向量機分類器的學(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(簡稱多尺度支持向量機),并通過遺傳算法最小化loo(leave-one-out)泛化錯誤上限估計,根據(jù)各個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用于軸承故障診斷,實驗結(jié)果表明,與傳統(tǒng)的單尺度參數(shù)支持向量機相比,多尺度支持向量機具有更好的泛化能力。對壓縮機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的參數(shù)同時進(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進(jìn)行故障識別。既剔除了故障特征的冗余性、減少了計算量,又解決了支持向量機的參數(shù)難以選擇等問題。診斷實例表明,該方法能利用較少的故障特征得到較高的診斷精度。

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

針對水電機組故障樣本少的問題,將支持向量機引入水電機組故障診斷研究,提出一種結(jié)合小波頻帶分解與最小二乘支持向量機的水電機組故障診斷模型?；跈C械設(shè)備\"能量-故障\"映射關(guān)系,運用小波分解提取機組振動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,實現(xiàn)對機組不同故障類型的識別。通過實驗信號分析,表明將小波能量提取與支持向量機結(jié)合進(jìn)行水電機組故障診斷是可行有效的,并具有較高的故障分辨能力,為水電機組故障診斷提供了新的方法和思路。

電力云計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,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,借助實驗數(shù)據(jù)和matlab仿真結(jié)果驗證了其可行性.

電梯故障時,具有故障特征提取困難和故障類型識別率低的問題。因此,擬提取其振動信號并進(jìn)行分析,找到故障特征。然而,鑒于其振動信號為非平穩(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信號的能量分布;然后將其能量分布與時域指標(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用性。

電梯故障時,具有故障特征提取困難和故障類型識別率低的問題。因此,擬提取其振動信號并進(jìn)行分析,找到故障特征。然而,鑒于其振動信號為非平穩(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信號的能量分布;然后將其能量分布與時域指標(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(ls-svm)診斷的方法。采集電梯幾種故障狀態(tài)下的振動信號,用最優(yōu)小波包的理論分析計算故障振動信號的能量分布,將其能量分布與時域指標(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)支持向量機的仿真電路故障診斷方法。首先通過小波包變換實現(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,實現(xiàn)了電路的故障診斷,并提出了一種混合遺傳算法實現(xiàn)了小波函數(shù)和支持向量機參數(shù)的同步選擇;最后通過一仿真電路的仿真實驗,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的方法診斷精度最高,達(dá)到98%,為設(shè)計提供參考依據(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。支持向量機建立在vc維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(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,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)果表明支持向量機可以有效地對數(shù)字電路故障進(jìn)行診斷。

支持向量機（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）用于支持向量機的參數(shù)優(yōu)化,提出基于粒子群支持向量機的故障診斷模型,并將其運用于軌道電路中.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.

支持向量機(svm)算法以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ),依據(jù)結(jié)構(gòu)風(fēng)險最小化的原則,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)介紹了支持向量機算法,由于它在非線性映射、小樣本學(xué)習(xí)方面的獨特優(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)計了基于支持向量機的模擬電路故障診斷系統(tǒng)。以實際測試數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練后,對其它實際測量數(shù)據(jù)進(jìn)行診斷,其結(jié)果正確,驗證了算法的有效性。

在現(xiàn)代化生產(chǎn)中，隨著機電設(shè)備的不斷增多，在運行過程中難免會發(fā)生故障，這就要求需要及時對出現(xiàn)故障的設(shè)備進(jìn)行診斷，以保證設(shè)備的正常運行。然而，隨著故障診斷技術(shù)的發(fā)展，支持向量機在設(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)計學(xué)理論的方法，可以有效減少算法設(shè)計的隨意性。

在以振動傳遞路徑分析作為機械設(shè)備故障診斷基本技術(shù)的前提下,旋轉(zhuǎn)機械故障模擬試驗臺系統(tǒng)需要將變速驅(qū)動電機、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平臺。試驗平臺在前期調(diào)配階段可以以虛擬的方式進(jìn)行模擬構(gòu)建,在診斷步驟實施之前,預(yù)先使用旋轉(zhuǎn)機械故障模擬試驗臺來進(jìn)行鉆井泥漿泵頻率和振動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,必須有效區(qū)分旋轉(zhuǎn)機械故障模擬試驗臺和實際情況之間的差異性,并精準(zhǔn)選擇出檢測點。