正弦余弦算法优化的SVM模拟电路故障诊断

针对容差模拟电路故障诊断中软故障诊断样本较少和正确率低的问题,提出一种基于正弦余弦算法(Sine Cosine Algorithm, SCA）优化的容差模拟电路软故障诊断方法。对实验电路进行Monte Carlo分析后采集输出电压信号后采用小波变换提取小波熵组成故障特征集,采用主元分析法(Principal Component Analysis, PCA）对特征降维,利用基于SCA的支持向量机(Support Vector Machine, SVM）对故障集进行分类。通过对Sallen-Key带通滤波电路的分析,SCA-SVM分类算法具有较好的分类准确率与较快的诊断速度,优于网格搜索(GridSearch）、遗传算法(GA）和粒子群算法(PSO）。最后,在四运放双二次高通滤波器电路上进行测试。结果表明,SCA SVM在容差模拟电路软故障诊断中具有较强的适应能力。     

基于小波包变换的模拟电路电源电流故障诊断

针对模拟电路故障诊断这一难点,运用基于IDDT技术的故障诊断方法,即利用小波包变换提取电源电流各频率成分的能量,作为神经网络的输入特征矢量进行故障诊断。仿真结果表明,该方法可以快速高效地进行模拟电路故障诊断与定位。     

基于小波神经网络的模拟电路故障诊断

介绍了模拟电路故障诊断的神经网络方法及小波神经网络,以一带通滤波器为例,提出了一种基于输出灵敏度分析,利用多频测试生成故障特征向量训练小波神经网络进行故障诊断的方法。仿真结果表明小波神经网络作为故障分类器具有收敛速度快,诊断准确等特点。     

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%.     

模拟电路故障诊断新方法

在BP型ANN网络用于模拟电路故障诊断的基础上,提出了利用GA辅助设计的BP型ANN实现模拟电路故障诊断的新方法。实例验证表明,新方法的诊断精度、诊断速度以及建立诊断模型的自动化程度都有了较大的提高。     

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。     

深度置信网络在发动机气路部件性能衰退故障诊断中的应用研究

为提高发动机转动部件性能衰退故障诊断精度,针对传统的浅层网络和支持向量机(SVM)方法在诊断时存在泛化能力欠缺、易产生局部最优解等问题,引入近年来在模式识别领域取得巨大突破,模拟人脑多层结构的深度置信网络(DBN)进行发动机部件性能衰退故障的诊断。为改进深度置信网络性能,提出一种在无监督和有监督训练阶段都可自适应调整权值的改进算法(ad_DBN)。以涡扇发动机为对象,将两种DBN算法与BP,RBF和SVM方法从诊断精度、计算时间、抗噪能力三方面进行综合比较分析。结果表明DBN算法诊断精度明显优于反向传播(BP)神经网络,径向基(RBF)神经网络和支持向量机(SVM)方法,得益于权值的自适应调整,ad_DBN诊断的平均精度高达97.84%,其抗噪声能力也明显优于其他算法,能够提高故障诊断的有效性和可靠性。     

基于融合信息的转子振动故障SVM诊断方法

通过提取信息特征,提出基于融合信息的转子振动故障支持向量机(SVM)诊断方法.首先,在转子试验台上分别模拟转子不平衡、轴系不对中、转子裂纹和转子碰磨4种典型故障,采集这4种典型故障在多转速和多测点下的振动加速度信号;其次,提取基于时域的奇异谱熵和频域的功率谱熵的转子振动故障过程变化规律的信息特征;最后,将提取到的信息特征作为故障向量,建立SVM故障诊断模型,进而对转子振动故障进行诊断.实例诊断结果表明:将信息特征与支持向量机相结合进行转子振动故障诊断,诊断结果准确率达到了97%,有效地提高了故障诊断的准确率.     

模拟电路故障诊断技术研究

介绍了模拟电路故障诊断的现状及特点,对基于网络撕裂法的故障诊断方法进行了研究,探讨了基于BP神经网络的故障诊断方法及其在模拟电路上的应用,并指出了故障诊断技术的发展趋势。     

基于融合信息(火用)的转子振动故障SVM诊断方法

通过提取信息(火用)特征,提出基于融合信息(火用)的转子振动故障支持向量机（SVM）诊断方法.首先,在转子试验台上分别模拟转子不平衡、轴系不对中、转子裂纹和转子碰磨4种典型故障,采集这4种典型故障在多转速和多测点下的振动加速度信号;其次,提取基于时域的奇异谱熵和频域的功率谱熵的转子振动故障过程变化规律的信息(火用)特征;最后,将提取到的信息(火用)特征作为故障向量,建立SVM故障诊断模型,进而对转子振动故障进行诊断.实例诊断结果表明：将信息(火用)特征与支持向量机相结合进行转子振动故障诊断,诊断结果准确率达到了97%,有效地提高了故障诊断的准确率.     

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.      

基于双树复小波包变换和SVM的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳性和现实中难以获得大量典型故障样本的情况,提出一种基于双树复小波包变换和支持向量机（SVM）的故障诊断方法.首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量;然后对每个分量求其能量并归一化处理;最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型.对试验台模拟信号（包括滚动轴承的正常状态、外圈裂纹故障、内圈裂纹故障和滚动体点蚀故障）的分析表明:该方法对所测试验信号的故障识别率达到99.5%,对比传统小波包变换与SVM结合的方法,故障识别率的准确度更高.      

基于EMD和SVM的滚动轴承故障诊断方法

将支持向量机(SupportVectorMachine,简称SVM)、经验模态分解(EmpiricalModeDecomposition,简称EMD)方法和AR(Auto-Regressive,简称AR)模型相结合应用于滚动轴承故障诊断中。该方法首先对滚动轴承振动信号进行经验模态分解,将其分解为多个内禀模态函数(IntrinsicModeFunction,简称IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对滚动轴承的工作状态和故障类型进行分类,从而实现了滚动轴承故障诊断的自动化。      

基于过程功率谱熵SVM的转子振动故障诊断方法

针对旋转机械振动过程的复杂性和振动故障产生的随机性以及振动故障样本获取难的问题,在信息熵理论的基础上,融合了支持向量机(SVM)小样本、全局性和泛化性好的优点,提出了过程功率谱信息熵(功率谱熵)SVM的故障诊断方法。结合转子实验台,得到了4种典型振动故障在多测点多转速下的数据,通过计算提取了其功率谱熵特征值作为故障样本,即故障向量,并建立SVM诊断模型,对转子振动故障的类别、严重程度和部位识别诊断,验证了该方法在转子振动故障诊断方面效果良好。     

基于支持向量机的航空发动机故障诊断

支持向量机是一种具有完备统计学习理论基础和出色学习性能的新型机器学习方法,它能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷。提出一种基于支持向量机的航空发动机故障诊断方法,应用该方法成功地对发动机气路部件的几种典型故障进行了正确诊断。在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断的要求,表明提出的故障诊断算法具有良好的鲁棒性,可以作为工程应用的基础。      

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.