基于大规模训练集SVM的发动机故障诊断

提出了一种新的学习策略,用于解决发动机故障诊断中大规模支持向量机(SVM)的训练问题.通过保留初始SVM分类器支持向量超平面附近的样本以及错分样本,使最终得到的约减集规模明显缩小,从而可在保持较高分类精度的前提下使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短.探讨了序贯最小优化(SMO)算法的参数选择和实现过程中的关键问题,为这种极具潜力的算法在发动机故障诊断中的实际应用奠定了坚实的基础.仿真实例表明,这种基于大规模训练集SVM的发动机故障诊断方法有效、可靠,容易实现,可以作为工程应用的基础.      

一种基于多支持向量机的增量式并行训练算法

为了改进传统算法,利用支持向量的特性,提出了一种基于多支持向量机的增量式并行训练算法(PMSVM)。选择对分类超平面有影响的样本点作为支持向量,以增加单个分类器的训练时间为代价换取整体训练和分类的精度。考虑到训练样本的分布对最终结果的影响,加入反馈向量进行适当的重复训练,以调整各分类器的学习性能。通过在测试数据集上进行的实验表明,该算法与批学习增量BSVM算法相比,在提高训练效率和分类精度的前提下,大大降低了训练时间。     

基于支持向量机的航空发动机整机振动故障诊断技术研究

支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的一种新型机器学习方法,由于它出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中。针对某型航空发动机整机振动过大的现象,提出了一种基于支持向量机（SVM）的整机振动故障诊断方法。首先介绍了SVM理论,然后根据SVM学习方法的结构风险最小化原则,对某型航空发动机已知的整机振动故障模式数据进行了训练和预测,并建立了基于SVM的航空发动机整机振动故障诊断模型。最后通过对已有故障模式进行诊断预测,证明该方法在航空发动机整机振动故障诊断方面具有良好效果。     

基于新型多分类支持向量算法的发动机故障诊断

层次支持向量机(H-SVM)比通常的"一对多" (1-V-R)和"一对一" (1-V-1)等多分类支持向量算法具有更快的训练速度和分类速度.提出一种基于H-SVM的航空发动机气路部件故障诊断方法,根据特征空间中各类故障样本中心之间的距离来逐层划分子类,距离较近的故障样本归为同一个子类进行训练,得到的H-SVM层次结构合理,各层的SVM分类间隔大、泛化能力强;同时,用ν-SVM代替通常的C-SVM作为两类分类器,分类器参数意义明确、变化范围小,更容易确定.仿真实验表明,基于H-SVM的故障分类器具有良好的分类准确性和泛化性能,能够对发动机气路部件的单一故障和复合故障进行快速诊断.     

基于SVM和SNN的航空发动机气路故障诊断

为了区分航空发动机气路故障诊断过程中出现的相似故障,提高诊断准确率,提出了一种支持向量机(SVM)和协同神经网络(SNN)相结合的故障诊断方法.首先利用参数优化后的SVM对测量数据进行初步故障诊断分类,对诊断结果进行分析统计,得出难以区分的相似故障类型,并根据SNN对这些相似故障进一步地区分判断,最后根据实际数据对此故障模型进行仿真.结果显示:基于SVM的初步故障诊断准确率达到96%;而经过SNN进一步地相似故障区分后,诊断准确率提升到100%.     

指数外推法和支持向量机相结合的压气机特性扩展方法

针对航空发动机起动建模中压气机低转速特性计算精度较低的问题,提出了指数外推法和支持向量机(SVM)相结合的特性扩展计算方法.首先分析了指数外推法的计算方法及其局限性,然后将压气机已知的高转速特性作为SVM的训练集,以指数外推法获取的低转速特性作为测试集,同时将压气机特性转换为按出口气流参数表示以降低SVM原始数据的非线性,利用交叉验证算法选择SVM参数并进行模型训练,预测并获得压气机低转速特性.通过与单纯使用指数外推法获取的特性对比分析表明:指数外推法和SVM相结合的压气机特性扩展计算方法,最大相对误差减小了约2.8%,有效提高了特性扩展计算精度.      

基于RDK-ELM 的航空发动机控制系统故障诊断

为保持较高诊断正确率,缩短训练时间,满足航空发动机故障诊断对于实时性和高诊断率的需求,提出1种对深度核极限学习机的简约改进方法。输入数据中随机选取部分数据作为支持向量,结合深度学习网络的多层结构,完成了对输入样本的特征提取,通过核函数实现了高维空间映射分类。数字仿真表明:算法分类正确率高,训练时间短,可应用于航空发动机控制系统的故障诊断。     

基于支持向量机的航空发动机转静碰摩部位诊断规则提取

引入基于支持向量机(SVM)的数据挖掘技术,提出了基于SVM的转静碰摩部位诊断知识获取.首先,基于带机匣的航空发动机转子实验器,模拟了4个碰摩部位的碰摩实验,利用机匣4个部位的应变测试,获取了4个碰摩部位和4个测点的大量实验数据;然后提出了一种基于支持向量聚类(SVC)的诊断知识规则提取方法.在该方法中,利用SVC算法得到特征选取后样本的聚类分配矩阵,最后根据聚类分配矩阵构建超矩形规则.为使规则更加简洁,易于解释,采用规则合并、维数约简、区间延伸等方法对超矩形规则进行进一步简化.利用基于SVM的数据挖掘方法,从大量的碰摩部位实验数据中提取出了转静碰摩部位诊断的知识规则,并进行了相应解释和验证,规则识别率达到了99%以上,表明了该方法的正确有效性.      

基于支持向量机的飞机空中结冰严重程度识别

为了保证飞机的飞行安全,必须对飞机空中结冰的严重程度作出较准确的判断。针对飞机空中结冰状况的复杂性,提出将支持向量机与二分法相结合的飞机空中结冰严重程度识别的算法模型。仿真结果表明,虽然该训练样本较少且为多参量分类识别,但是由于建立了多支持向量机且采用二分法的概率抉择能找到最佳的建立支持向量机的分类方式,所以找到了最佳的分类方式,提高了分类准确率,而且可以较准确地识别飞机空中结冰的严重程度。可见该方法可以在训练样本较少的情况下对飞机空中结冰严重程度作出较好的识别效果。     

一种基于 KFCM的 SVM遥感图像机场目标分类算法

在遥感图像机场目标分类方面,支持向量机(SVM)有着广泛的应用,但由于样本不平衡问题以及不确定性数据的存在,传统SVM算法的分类精度与效果还无法令人满意。为提高传统SVM分类器的性能,文章将建立在模糊理论基础上的模糊核C-均值聚类算法(KFCM)用于处理遥感数据的不确定性问题,并通过聚类分析后的目标子图,剔除非目标样本的同时保留了目标样本,较好地解决了样本不平衡问题。将基于KFCM的SVM分类算法用于遥感图像机场目标的分类,实验结果和性能分析表明该算法分类性能优于传统SVM算法。     

基于EMD样本熵-LLTSA的故障特征提取方法

针对振动信号的非线性、非平稳性以及微弱故障特征难以提取的问题,提出了一种基于经验模态分解(EMD)、样本熵和流形学习的故障特征提取方法.该方法将EMD、样本熵和流形学习相结合.首先,利用EMD的自适应多分辨率的特点计算分解得到的IMF(固有模态函数)信号的样本熵,初步提取滚动轴承状态特征值;然后利用流形学习方法对初步的提取的滚动轴承状态特征进行进一步的提取;最后利用支持向量机(SVM)对该特征提取方法进行分类评估,并将该方法运用在滚动轴承故障诊断实验中,实验证明该特征提取方法与基于小波包样本熵的故障诊断方法相比具有很好的聚类性能,且对于SVM的分类结果可达100%,在降低了特征数据的复杂度的同时,增强了故障模式识别的分类性能,具有一定的优越性.     

基于小波包分析和支持向量机的转静碰摩部位识别

利用航空发动机转子实验器模拟不同径向碰摩部位下的碰摩故障,提出基于小波包分析的支持向量机转静碰摩部位识别方法.首先将从机匣测得的加速度信号进行小波包分解,提取其归一化能量特征,接下来将得到的归一化能量特征输入至支持向量机中,用以识别不同的碰摩部位.利用航空发动机转子实验器模拟大量不同碰摩程度和不同碰摩部位的样本,利用支持向量机进行训练和测试.结果表明小波包能量特征与支持向量机相结合可以有效地判别转静碰摩部位,且仅需1个传感器即可达到98%的识别率.      

涡轮泵试车数据单类支持向量机检测算法

为了在缺乏故障样本的情况下检测某型液体火箭发动机涡轮泵故障,实现基于不完整信息的状态决策,建立了基于v-支持向量分类器的单类支持向量机新异类检测模型。在分析了模型决策边界、支持向量和约束条件之间关系的基础上,为单类支持向量机引入并改进了序贯最小优化算法,提高了训练效率,解决了大样本训练问题。通过对某型液体火箭发动机涡轮泵历史试车数据的分析,结果表明,所建模型的训练速度得到了很大提高,对涡轮泵状态的检测效果良好。     

基于DE-RLSSVM算法的航空发动机传感器故障诊断

为了使约简最小二乘支持向量机(RLSSVM)具有更好的稀疏性和泛化能力,利用微分进化(DE)算法选择RLSSVM的支持向量,提出了DE-RLSSVM算法.在benchmark回归数据集上的仿真试验表明该算法具有很好的稀疏性和泛化能力.然后将该算法用于航空发动机传感器故障的诊断,提出了基于DE-RLSSVM算法的航空发动机传感器故障诊断方法.该方法利用DE-RLSSVM算法对传感器故障进行监测,然后进行定位和隔离.数字仿真结果表明该传感器故障诊断系统能够实现对航空发动机传感器硬故障的检测与隔离.      

基于改进SVM的模拟电路故障诊断

针对模拟电路的故障诊断和定位问题，提出了一种改进支持向量机（suppon Vector Machine，SVM）故障诊断方法。通过在标准SVM中加入了对数据流形局部分布的约束，设计了一种依赖于数据分布的新型SVM。相对于标准SVM方法而言，新方法有效融合了数据分布的先验信息，提高了模型的诊断精度。将其用于模拟电路的故障诊断，验证了所提方法的有效性。     

发动机转子系统早期故障智能诊断

在对飞机发动机转子系统早期故障特点进行分析的基础上,针对其故障诊断中存在的故障样本不足和早期微弱故障不易识别的问题,提出将随机共振、小波包分析与支持向量机相结合的发动机转子系统早期故障诊断与智能自愈监控方法。该方法首先利用随机共振原理对早期微弱故障信号进行特征细化,使故障特征放大;然后利用小波包多分辨率分析特性进行故障特征提取;再将提取的特征向量输入由支持向量机构造的分类器中进行故障识别,并利用智能自愈方法对故障进行监控。对智能诊断系统结构、故障特征提取方法、多故障分类器构造、故障自愈监控等进行了分析和研究。结果表明,该方法在故障样本不足情况下,能有效识别发动机转子系统的早期故障,且算法简单、故障分类识别效果好,并能对故障进行自愈监控。     

基于免疫粒子群算法的滑油屑末支持向量机预测模型设计

将人工免疫理论的克隆选择算法中的抗体克隆、变异和抑制策略引入粒子群优化算法中,提出了一种基于克隆选择的免疫粒子群优化算法,克服了基本粒子群算法易于陷入局部最优解的缺点.针对支持向量机预测模型的参数选择影响其预测精度的问题,引入免疫粒子群优化算法设计了参数自适应优化的航空发动机滑油屑末支持向量机预测模型.仿真结果表明:与传统的交叉验证试算法相比,基于免疫粒子群优化的预测模型实现了参数的自动择优,并且提高了预测精度.      

基于小波包分析与多核学习的滚动轴承故障诊断

为了更准确地诊断滚动轴承故障,提出了一种基于小波包分析与多核学习的滚动轴承故障诊断方法.该方法首先对振动信号进行3层小波包分解,将振动信号分解为不同频带的信号,提取各频带的相对能量特征,构建特征向量;然后采用多核学习算法从训练样本集中学习核函数与分类器;最后使用训练出的分类器识别滚动轴承故障类型.为了验证方法的有效性,进行了滚动轴承故障诊断实验,实验结果表明该方法的故障诊断准确率达到98.25%,与传统的基于小波包与支持向量机的滚动轴承故障诊断方法相比,其故障诊断准确率更高,同时由于避免了核函数的选择问题,该方法更便于实际应用.      

涡轮叶片早期裂纹的三维叶尖间隙EEMD能量熵融合诊断方法

为了解决航空发动机涡轮叶片早期裂纹故障信号微弱、难以识别的问题,提出一种基于三维叶尖间隙集成经验模态分解（EEMD）能量熵融合的涡轮叶片早期裂纹诊断方法。采集涡轮叶片三维叶尖间隙信息,利用EEMD分别对三维叶尖间隙各维信号进行处理,得到相应的固有模态函数(IMF),以此计算每一维信号分量EEMD能量熵,构建能表征叶片裂纹状态的不同EEMD能量熵高维矢量集。建立多个堆叠自动编码器(SAE)分别对各高维矢量集进行特征学习并提取所学习的深层特征表达。利用支持向量机算法(SVM)和遗传算法(GA)融合各维深层特征以综合不同维度信息进而充分判定叶片裂纹状态。通过涡轮叶片裂纹诊断试验,结果表明:所提方法能有效提高叶片早期裂纹诊断精度,其平均准确率达到98.415%,标准差仅为0.697%,具有很好的稳定性、泛化性和自适应性。     

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。