支持向量机旋转机械振动故障诊断

针对传统方法难以精确提取水电机组非平稳振动信号的故障特征,首先引入变分模态分解(variationalmodaldecomposition,vmd)将水电机组非平稳振动信号分解为一系列中心频段互不重叠的imf分量,进而采取能量法提取各imf分量的故障特征,最后将提取的故障特征向量输入到本文建立的基于遗传算法优化支持向量机的故障诊断模型中,实现故障模式的识别与诊断。将该方法应用于实际水电机组故障振动信号的处理中,仿真结果表明,该方法能够有效识别机组的异常状况,具有较高的故障诊断正确率。

水电机组的振动信号为典型的非平稳、非线性信号。为了通过振动信号正确判断水电机组的运行状态，本文提出运用经验模态分解处理原始信号，并对获得的基本模式分量计算其复杂度特征，最后运用最小二乘支持向量机进行故障诊断。选取径向基函数作为核函数，并通过网格搜索和交叉验证确定相关参数。结果表明，经验模态分解复杂度特征和支持向量机结合，能够准确地实现故障诊断，确定故障类型，为机组运行维护人员提供参考依据。

针对水电机组常规振动故障诊断分类器不能反映分类中的不确定信息的不足,提出一种基于粗糙集的一对一(1-v-1)多类支持向量机分类方法。该方法充分利用粗糙集对不确定、不完整数据和复杂模式的良好刻画能力及支持向量机优秀的泛化能力,应用粗糙集最核心的思想:上、下近似来描述支持向量机分类结果。结合1-v-1方法实现支持向量机的多类分类,导出多类分类时样本的上、下近似和边界区域的集合表示,并以规则的形式对分类器进行描述。用所提方法对国际标准测试数据进行实验,并应用于某水电厂机组振动故障诊断。所得结果与单纯1-v-1多类支持向量机方法比较,结果表明该分类器具有规则简洁、分类阶段所需存储空间小,能够反映故障模式分类中的不确定信息等优点。

提出应用粗糙集和支持向量机水电机组振动的故障诊断模型。运用粗糙集理论对水电机组振动信号的属性特征进行预处理,在约简去除其冗余属性后得到决策表,将决策表作为支持向量机的学习样本,通过训练,使构建的支持向量机多分类器能够反映属性特征和故障类型的映射关系,从而达到故障诊断的目的。测试结果表明,与常规方法相比,应用粗糙集和支持向量机相结合的方法进行故障诊断具有简单有效、诊断速度快和良好的鲁棒性等优点,是一种有效的诊断方法。

提出了一种利用小波包分析提取水电机组的振动故障特征和基于支持向量机的水电机组振动故障诊断方法。以二值分类为基础,构建了基于支持向量机的多值分类器。先对水电机组的振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使分类器能够建立频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的,并以水电机组振动多故障分类为例,进行了应用检验。结果表明,与常规方法相比,该方法简单有效、并具有很好的分类能力和良好的鲁棒性,可以满足在线故障诊断的要求,适合水电机组振动故障的诊断。该方法为水电机组故障诊断向智能化发展提供了新的途径。

故障样本的缺乏严重制约智能故障诊断的发展,本文提出支持向量机应用到发动机故障诊断中,该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广,而且模型简单,具体是将汽车在典型故障下尾气中各气体的体积分数作为训练样本。用处理过的样本和最优参数建立基于支持向量机的多元分类器模型,进行故障类别诊断。经过libsvm工具箱进行仿真,结果表明经优化后的支持向量机对于小样本故障诊断有很高的准确率。

支持向量机作为基于统计学理论的机器学习方法，在人工智能识别方面的研究起到了重要的作用。本文将支持向量机智能识别方法引入到机械设备的故障诊断当中，并对支持向量机模型起到关键作用的惩罚因子c和核参数g采用了交叉验证的方法进行最优化计算。建立了基于优化的支持向量机的机械设备故障诊断模型，并且进行了相关实验，实验表明，采用本文介绍的基于支持向量机的故障诊断方法可有效识别出机械设备的故障类型，对机械设备的故障诊断提供了有效的诊断方法。

通过对支持向量机核函数的分析发现,当对样本的各个特征赋予不同大小的尺度参数时,可以避免冗余特征干扰分类,增强关键特征在分类中的作用,提高支持向量机分类器的学习和泛化能力。在此基础上,提出一种具有不同特征尺度参数的支持向量机(简称多尺度支持向量机),并通过遗传算法最小化loo(leave-one-out)泛化错误上限估计,根据各个特征的识别能力赋予其不同大小的尺度参数。将多尺度支持向量机用于轴承故障诊断,实验结果表明,与传统的单尺度参数支持向量机相比,多尺度支持向量机具有更好的泛化能力。对压缩机气阀的故障识别表明,尺度参数的大小直接反映了对应特征识别能力的大小,因此可以依据尺度参数的大小进行特征选择,保留关键特征,剔除冗余特征。

提出一种基于遗传算法和支持向量机的故障诊断方法,利用遗传算法对故障特征集和支持向量机的参数同时进行优化,然后把优化选择的故障特征输入支持向量机进行故障识别。既剔除了故障特征的冗余性、减少了计算量,又解决了支持向量机的参数难以选择等问题。诊断实例表明,该方法能利用较少的故障特征得到较高的诊断精度。

针对水电机组故障信息缺乏、故障识别困难等问题,提出基于支持向量机的水电机组故障诊断模型.并针对实测水电机组故障数据,分析支持向量机水电机组故障诊断模型和常用的神经网络故障诊断模型等理论在水电机组故障诊断中的优劣.研究表明,支持向量机理论在小样本情况下比神经网络具有更强的诊断能力.

针对水电机组故障样本少的问题,将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备\"能量-故障\"映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。

电力云计算将虚拟化与分布式技术代替传统的服务器+san/nas信息计算模式,虚拟池对数据的整合与管理在提高资源利用率和降低建设成本的同时,由于电力云稳定和可靠工作的前提很大程度上依赖于良好的网络状态,由此也带来故障诊断更加复杂的新挑战.为了实现电力云网络故障的诊断,针对网络故障本身具有的小样本和非线性特征,采用支持向量机svm算法,在二分类无法解决多分类的基础上进行改进,选择了一对一svm,借助实验数据和matlab仿真结果验证了其可行性.

电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。

电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。

针对电梯的几种常见故障,论文采用了最小二乘支持向量机(ls-svm)诊断的方法。采集电梯几种故障状态下的振动信号,用最优小波包的理论分析计算故障振动信号的能量分布,将其能量分布与时域指标相结合,以构造故障特征向量,作为ls-svm的输入来识别电梯的故障原因,并采用遗传算法优化ls-svm的相关参数。通过对电梯六种常见故障的诊断结果表明,基于遗传算法优化的最小二乘支持向量机用于电梯故障诊断是一种有效的方法。

研究电路的故障问题,应提高快速性和准确性。为提高仿真电路故障诊断效率,给出了一种基于改进支持向量机的仿真电路故障诊断方法。首先通过小波包变换实现了信号的能量特征提取,根据主元分析完成了特征压缩;其次针对支持向量机多分类一对一方法存在的不可分类区,将其与最近邻分类法相结合,实现了电路的故障诊断,并提出了一种混合遗传算法实现了小波函数和支持向量机参数的同步选择;最后通过一仿真电路的仿真实验,与bp,rbf和pnn等神经网络对比,结果显示基于支持向量机的方法诊断精度最高,达到98%,为设计提供参考依据。

为了解决因缺少大量故障数据样本而制约数字电路故障智能诊断发展的问题,提出了一种基于支持向量机的故障诊断仿真模型。由fpga仿真产生数字电路,由pci-7200i/o卡进行采集。支持向量机建立在vc维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷。在选取诊断模型输入向量时,对故障信号进行筛选,简化了故障特征向量的提取。仿真结果表明支持向量机可以有效地对数字电路故障进行诊断。

在现代化生产中，随着机电设备的不断增多，在运行过程中难免会发生故障，这就要求需要及时对出现故障的设备进行诊断，以保证设备的正常运行。然而，随着故障诊断技术的发展，支持向量机在设备故障诊断中得到了广泛应用，其是一种基于数据学习，以传统统计学理论的方法，可以有效减少算法设计的随意性。

在以振动传递路径分析作为机械设备故障诊断基本技术的前提下,旋转机械故障模拟试验台系统需要将变速驱动电机、调速器、轴、轴承、偏重转盘(2只)及齿轮箱等连接起来作为钻井泥浆泵诊断模型的基本试验平台。试验平台在前期调配阶段可以以虚拟的方式进行模拟构建,在诊断步骤实施之前,预先使用旋转机械故障模拟试验台来进行钻井泥浆泵频率和振动能量分布情况的判定。利用3nb—1300c型钻井泥浆泵作为诊断模型进行故障诊断时,必须有效区分旋转机械故障模拟试验台和实际情况之间的差异性,并精准选择出检测点。

旋转机械（电动机）及泵类振动评价标准 对照《shs06001-2004旋转电机及调速励磁装置维护检修规程》 及《jb/t8097-1999泵的振动测量与评价方法》，现将机泵振动值做 如下规定： 机泵类型机泵功率（p）泵侧振动值 (mm/s) 电机侧振动 值(mm/s) 备注 卧式泵≤15kw≤4.5≤1.8 ≥15kw且≤300kw≤4.5≤2.8 ≥300kw≤4.5≤4.5 立式泵≥5kw且≤75kw≤4.5≤2.8 一、旋转机械（电动机）的振动评价标准 gb6075-99将旋转机械分为四类，其振动评价等级标准见附表一 附表一：电动机振动评价等级标准 振动值 振动速度的均 方根／ （mm/s） iiiiiiiv 0.28aaaa 0.45 0.71 1.12b 1.8b 2.8cb 4.5c

针对唐钢炼铁厂南区受卸除尘离心风机的振动故障进行了诊断分析，找出使风机产生振动的原因是风机叶片磨损，并介绍了用现场动平衡法消除叶轮失衡的处理方案。

本文给出一种基于压电传感器的旋转机械振动信号测量系统设计方法,为消除信号处理电路对振动信号频率特性的影响,提出一种基于神经网络的信号处理电路频率特性建模方法,根据该模型对测量通道进行在线补偿,大大提高了信号测量的精度。