向量機旋轉(zhuǎn)機械故障診斷

通過對支持向量機核函數(shù)的分析發(fā)現(xiàn),當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。

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:工程機械;故障診斷;發(fā)展趨勢 引言 機械故障診斷技術(shù)作為一門新興的科學(xué)，自二十世紀六七十年代以來 已經(jīng)取得了突飛猛進的發(fā)展，尤其是計算機技術(shù)的應(yīng)用，使其達到了 智能化階段，現(xiàn)在，機械故障診斷技術(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數(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,進行故障類別診斷。經(jīng)過libsvm工具箱進行仿真,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確率。

案例推理在印刷機械故障診斷中的應(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(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(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械故障診斷中的應(yīng)用-中國包裝2004

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。

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。

工程機械故障診斷專家系統(tǒng)設(shè)計與實現(xiàn)

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)上進行改進,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)提高快速性和準確性。為提高仿真電路故障診斷效率,給出了一種基于改進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)字電路故障進行診斷。

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。

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模型的故障診斷準確率高于普通的svm模型.

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,并精準選擇出檢測點。

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行挖掘。故本文用支持向量機對zpw-2000軌道電路進行故障診斷研究,且用遺傳算法和粒子群算法對其中的參數(shù)進行優(yōu)化,進而實現(xiàn)故障類別的判斷。對提高鐵路信號維護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)練樣本進行學(xué)習(xí)訓(xùn)練后,對其它實際測量數(shù)據(jù)進行診斷,其結(jié)果正確,驗證了算法的有效性。

船舶的日常運行成本非常高昂,有效的運行時間決定了船東的盈利水平。而船舶柴油機是船舶核心的動力裝置,其一旦出現(xiàn)問題,將嚴重影響船舶的正常運營。因此快速診斷和排除船舶柴油機機械故障具有至關(guān)重要的意義。文章通過柴油機主要機械故障的表現(xiàn)以及造成的原因進行分析,提出柴油機機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,保障船舶柴油機安全運行。

機械故障診斷技術(shù) —旋轉(zhuǎn)機械故障診 系別：機電系 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)機械是指主要功能由旋轉(zhuǎn)運動完成的機械，也是機械中運用最廣泛的一種，電動 機，離心式風(fēng)機，離心式水泵，汽輪機，發(fā)電機等都屬于旋轉(zhuǎn)機械的范圍. 通過分析旋轉(zhuǎn)式機械各種故障產(chǎn)生機理的基礎(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特征分析方法。由于檢測技術(shù)在當今輕工業(yè)廣泛應(yīng)用，如電力、石化、 冶金、汽車和造船等國民經(jīng)濟重要部門，都需要用機械振動的測試和分析，來檢測機械是 否正常運作。 關(guān)鍵字：機械故障診斷、旋轉(zhuǎn)機械 前言 旋轉(zhuǎn)機械的主要功能是由旋轉(zhuǎn)動作完成的，轉(zhuǎn)子是其最主要的部件。旋轉(zhuǎn)機械發(fā)生故障 的重要特征是機器伴有異常的振動和噪聲，其振動信號從幅值域、頻率域和時間域?qū)崟r地 反映了機器故障信息。轉(zhuǎn)子常見的故障有轉(zhuǎn)