基于支持向量机的转子系统故障诊断方法研究
支持向量机在故障诊断中的应用研究
支持向量机在故障诊断中的应用研究故障诊断是一个广泛的领域，它在现代工业和科技发展中占据着重要的地位。
随着计算技术的进步，人们的故障诊断能力也得到显著的提高，同时，也出现了许多新的故障诊断方法和技术。
支持向量机（SVM）就是其中一个值得关注的方法。
SVM是一种基于统计学习理论的分类模型，它以较小的结构风险获得较小的经验风险为目标，对分类问题进行有效处理。
在故障诊断的应用中，SVM可以对大量的故障样本数据进行分析，找出隐藏在数据中的规律和特征，为诊断提供可靠的依据。
1. SVM在故障诊断中的优点在故障诊断中，SVM具有诸多优点。
最显著的优点是其能够高效地处理非线性、高维度以及高复杂度的问题。
同时，SVM具有较高的泛化能力，能够有效地对未知的故障样本进行分类和识别。
此外，SVM对于噪声数据和样本不平衡的情况也具有较强的容忍性。
值得一提的是，SVM还可以利用一些特殊的技术进行模型的优化和改进。
例如，通过使用核函数，可以将特征空间映射到高维度空间中，从而提高分类准确度。
此外，SVM还可以与其他算法结合使用，如基因算法、遗传算法和粒子群优化算法等，以进一步优化和提升分类性能。
2. SVM在故障诊断中的应用案例目前，SVM已经在许多不同领域的故障诊断中得到了应用。
以下列举了一些典型案例。
2.1 电力系统中的支持向量机故障诊断电力系统是一个复杂的系统，往往会因为电压异常、设备损坏或故障等原因导致停电，严重影响电力供应的可靠性和稳定性。
为了确保电力系统的正常运行，需要对其进行不断的监测和故障诊断。
在这个领域中，SVM可以利用一些先进的特征提取和分类技术，对电力系统数据进行分类和预测，从而实现故障诊断和预测的目的。
2.2 基于SVM的机械故障诊断机械设备的运行状态直接关系到工业生产的效率和质量。
当机器出现故障时，需要及时进行检测和诊断，以免造成更大的损失。
在这个领域中，SVM可以对机械故障数据进行特征提取和分类，从而实现精准的故障诊断和预测。
基于支持向量机的故障诊断模型研究
基于支持向量机的故障诊断模型研究近年来，机器学习技术在工业领域得到了广泛的应用。
故障诊断作为机器学习技术应用的一个方向，其研究具有较广泛的实际应用价值。
故障诊断模型可以有效地识别和预测设备中的故障，因此具有很大的工业应用前景。
本文将探讨基于支持向量机的故障诊断模型研究，并对该模型的实现及优化方法进行阐述。
一、支持向量机支持向量机（Support Vector Machine，简称 SVM）是一种基于统计学习理论的机器学习方法，被广泛应用于分类、回归和模式识别等领域。
SVM 通过在特征空间中找到最优的超平面来建立分类模型，以最大化两个不同分类的样本之间的间隔，从而提高分类精度和泛化能力。
SVM 算法具有精度高、鲁棒性强、泛化能力好等优点，在许多实际问题中都有着广泛的应用。
因此，基于 SVM 的故障诊断模型也越来越被研究者所青睐。
二、基于支持向量机的故障诊断模型基于支持向量机的故障诊断模型主要分为两个部分：特征提取和分类预测。
1. 特征提取特征提取是故障诊断模型的基础，为分类预测提供了关键的输入。
一般情况下，特征提取可以采用时间域、频域、时频域等不同的方法进行。
在实际应用中，根据故障类型的不同，有时也需要根据相应的故障特性进行特殊处理。
2. 分类预测分类预测是故障诊断模型的核心，通常采用 SVM 算法进行建模。
其实现步骤主要包括数据集的构建、模型训练和预测等过程。
在构建数据集时，需要将经过特征提取的数据按照其所属的故障类型进行标记，以便进行分类预测。
训练模型时，选取适当的核函数、调整参数等也是提高分类精度的关键。
在进行预测时，可以通过 SVM 模型对新的数据进行分类，以实现故障的诊断。
三、基于支持向量机的故障诊断模型优化在实际应用中，由于数据样本的不均衡性、决策边界复杂等问题，基于支持向量机的故障诊断模型存在一定的局限性。
因此，在进行模型优化时需要考虑这些问题，并针对性地进行改进。
1. 数据样本的不均衡性数据样本的不均衡性是指在训练数据集中，不同类别的样本比例不同，从而导致模型的分类效果受到影响。
基于小波分析-最小二乘支持向量机的转子碰摩故障诊断
基于小波分析-最小二乘支持向量机的转子碰摩故障诊断金志浩; 于宝刚; 杨铮鑫; 王雷【期刊名称】《《沈阳化工大学学报》》【年(卷),期】2019(033)003【总页数】7页(P251-256,288)【关键词】碰摩; 声发射; 小波分析; 最小二乘支持向量机; 故障诊断【作者】金志浩; 于宝刚; 杨铮鑫; 王雷【作者单位】沈阳化工大学能源与动力工程学院辽宁沈阳110142【正文语种】中文【中图分类】TH165.3转子碰摩故障作为严重威胁旋转机械的常见故障，国内外学者对其进行了深入研究.Sinha等[1]发现转子叶轮受到冲击载荷时转轴会受到扭矩和轴向力的影响，转子系统失稳，从而发生碰摩.Ahmad[2]认为碰摩现象高度非线性，并发现混沌现象中含有包括碰摩信息在内的重要故障信息.He等[3]利用波束形成法和小波包能量法对碰摩声发射信号进行分析，可以准确判断转子碰摩位置.郑近德等[4]提出自适应部分经验模态分解法对碰摩信号进行分析，能够有效识别碰摩故障.当前主要有两大类方法应用于转子系统碰摩故障诊断：一类是基于故障理论模型的诊断方法;一类是基于故障信号的诊断方法[5].基于信号的诊断方法具有快速性、实时性和高准确性等优点.相对于振动检测，声发射技术对旋转机械早期损伤更为敏感[6-7].对于碰摩声发射信号的研究主要集中在时频分析、神经网络等方面[8-10].小波分析可以同时使时间窗和频率窗发生改变，同傅里叶变换相比，其可以同时在时域和频域对信号进行分析，具有良好的时频分析特性[11].最小二乘支持向量机是标准向量机的一种扩展，在降低计算复杂性、加快算法收敛速度的同时[12-13]，较好地解决了小样本、非线性、高维数和局部极小点等实际问题，克服了在神经网络方法中无法避免的局部极值、过度学习等问题，具有很强的泛化能力[14-15].FV520B 作为一种马氏体沉淀硬化不锈钢，其耐腐蚀性好、强度高、硬度高并且焊接性能良好，能够较好地满足转子系统对材料的要求，广泛应用于大型旋转机械的转轴和叶轮的生产中[16]，但是少有人对它的碰摩声发射信号进行分析.本文提出一种小波分析和最小二乘支持向量机相结合的方法(WA-LSSVM)来进行FV520B 转子多碰摩副碰摩故障诊断.1 小波变换及最小二乘支持向量机基本原理1.1 小波变换基本原理在函数空间L2(R)中，若ψ(ω)∈L2(R)的连续，其小波函数的容许性条件为：(1)式中：Ψ(ω)为ψ(t)的傅里叶变换，则将ψ(t)称作基本小波.将ψ(t)经过伸缩与平移后，得到一组小波基函数ψa,b(t)：a,b∈R,a≠0(2)式中：a为尺度因子；b为平移因子.将下式定义为关于小波基ψ的连续小波函数：(Wψf)(a,b)=〈f,Ψa,b〉=(3)令连续小波变换中的尺度因子参数a=2-j，平移因子b=k2-j，其中j∈Z，k∈Z，则离散小波的定义为：Cj,k=〈f,ψj,k〉=(4)式中C为与信号无关的常数.1.2 最小二乘支持向量机(LSSVM)基本原理最小二乘支持向量机回归的算法[17]，如下：(1) 设已知训练集T={(x1,y1),…，(xn,yn)}∈(X×Y)n，其中：xi∈X=Rn，yi∈Y=R，i=1,2,3，……，n；(2) 选择适当的参数与适合的核函数；(3) 构造并求下列问题：(5)s.t.yi=WTφ(xi)+b+ei，i=1,2,3,…，n其中：φ(•)为空间映射函数；w为权矢量；ei为误差变量；b为偏差量；j(•)为损失函数；γ为误差惩罚参数.可构造拉格朗日函数：L(w,b,e,α)=J(w,e)-(6)式中：αi∈R为拉格朗日乘子.分别求(6)式对ei，αi，w，b的偏导，联立可得：(7)其中：由(7)式可以导出αi和b.(4) 构造决策函数：(8)其中φ(x)Tφ(xi)为核函数部分.2 小波分析和最小二乘支持向量机(WA-LSSVM)相结合的故障识别分类方法利用小波分解进行声发射信号特征提取及应用LSSVM故障识别分类的模型如图1所示，具体步骤如下：(1) 首先采用db10小波基对获取的声发射信号进行尺度为5的小波分解和细节重构.(2) 对分解重构后的细节信号进行分析，假设原始信号中5个尺度层分别为1、2、3、4、5，则总信号S可以表示为：S=S1+S2+S3+S4+S5(9)(3) 提取频带信号能量，设Si(i=1,2,3,4,5)对应的能量为Ei(i=1,2,3,4,5)，则有：(10)(4) 构造特征向量，以各尺度的能量为元素构造能量特征向量T，构造如下：T=[E1，E2，E3，E4，E5](11)当能量较大时，Ei(i=1,2,3,4,5)是一个较大的数值，不便于对数据进行处理，对此特征向量T进行归一化处理，令：(12)T′=[E1/E,E2/E,E3/E,E4/E,E5/E](13)T′为归一化后的特征向量.(5) 最小二乘支持向量机采用径向基函数作为核函数：k(x,xi)=φ(x)Tφ(xi)=exp[(-‖x-xi‖)/2σ2](14)采用径向基核函数得到的最小二乘支持向量机的最优分类函数为：(15)从式(7)和式(14)可以看出：只有误差惩罚参数γ和径向基函数的宽度参数σ是待选的，本文采用交叉验证的方法选择误差惩罚参数γ和径向基函数的宽度参数σ.(6) 分别取18组无碰摩、HT250定子与FV520B转子碰摩、15MnV定子与FV520B转子碰摩归一化后的特征向量作为LSSVM训练集，并且交叉验证，确定参数误差惩罚参数γ和径向基函数的宽度参数σ，再在上述工况分别取12组归一化后的特征向量作为LSSVM的测试集，进行不同材料的碰摩故障识别.图1 声发射信号WA-LSSVM碰摩故障诊断模型Fig.1 Acoustic emission signal WA-LSSVM rubbing fault diagnosis model3 实验研究3.1 实验装置实验采用转子试验台进行实验，利用碰摩试件和转盘碰摩来模拟旋转机械碰摩故障.该试验台用交流电机驱动，电机的转速由调速器进行控制.转子碰摩试验台如图2所示.图中1、2、3为基座，4为转轴，5为联轴器，6为转盘(材料为FV520B)，7为电机，在8、9、10位置分别安装1、2、3号传感器；声发射仪采用北京声华兴业公司的SDAEA声发射检测仪，传感器型号为SR150A；设采样频率为2 500 kHz、采样点数为2 048、采样时间为0.8 ms.图2 转子碰摩试验台Fig.2 Rotor rubbing test bench3.2 实验过程HT250和15MnV是大型离心压缩机的常用壳体材料，因此研究FV520B转子与上述两种材料的碰摩极具现实意义.故实验过程中选取的碰摩试件材料为HT250和15MnV，碰摩试件的几何形状与尺寸完全相同.根据碰摩副的不同将实验分为A、B、C三组：A组为无碰摩故障实验；B组为HT250试件碰摩实验；C组为15MnV试件碰摩实验.实验过程中发现，在转速达到350 r/min、470 r/min、550 r/min、650 r/min、800 r/min和1 000 r/min时使试验台发生碰摩现象，能够听到明显的嗡鸣声.获得碰摩转速下各个工况的声发射信号，以350 r/min时C组碰摩实验为例，如图3所示.图3 350 r/min时C组碰摩副碰摩的声发射信号Fig.3 Acoustic emission signals of group C rubbing pairs at 350 r/min3.3 小波分析选取上述实验过程中采集的无碰摩故障以及2种碰摩副在6种不同转速、工况下的声发射信号各30组.采用db10小波基对采集的540组声发射信号进行尺度为5的小波分解和细节重构，计算出各个尺度的能量比值.本文以转子转速为350r/min时为例进行分析，如图4～图6所示.图4 350 r/min摩多尺度能量百分比Fig.4 Multi-scale energy percentage without rubbing at 350 r/min图5 350 r/min时HT250试件碰摩多尺度能量百分比Fig.5 Multi-scale energy percentage of HT250 specimen rubbing at 350 r/min图6 350 r/min时15MnV试件碰摩多尺度能量百分比Fig.6 Multi-scale energy percentage of rubbing 15MnV specimen rubbing at 350 r/min图4、图5、图6分别对应350 r/min时A组、B组、C组声发射信号小波分解后的各个尺度能量比值.由图4可知：在350 r/min的转速下，无碰摩时监测到的声发射信号所携带的能量主要集中在d3、d4、d5三个区域；图5和图6有碰摩试块时监测的信号所携带的能量主要集中在d2、d3两个区域.由多尺度能量百分比可以清楚分辨试件是否碰摩，但是对于何种材料碰摩，多尺度能量百分比仍不能准确判断，需做进一步研究.当转速为470 r/min、550 r/min、650 r/min、800r/min和1 000 r/min时，分析情况与350 r/min类似，不再赘述.3.4 最小二乘支持向量机碰摩故障诊断识别LSSVM是处理二分类问题的方法，但在实际应用中需要解决多分类问题[18]，现在多类分类算法有一对一、一对多和有向决策树分类法等.本文需要对3种不同工况进行分类，应用一对多分类算法.将实验所采集的声发射信号经小波分解后得到的各尺度能量百分比作为LSSVM分类器的输入.以转子350 r/min时为例，将声发射信号在3种不同工况下小波分解的能量百分比各随机取18组作为训练样本，交叉验证，最后确定误差惩罚参数为0.1、径向基函数的宽度参数为100；剩余12组作为测试样本，应用LSSVM分类器进行碰摩故障识别分类.设无碰摩时分类器输出为1，HT250试件碰摩时分类器输出为2， 15MnV试件碰摩时分类器输出为3. 当转速为470 r/min、550 r/min、650 r/min、800 r/min和1 000r/min时，分析步骤与350 r/min相同.分类结果如图7～图12所示.由图7～图12和表1可知：FV520B转子声发射信号通过WA-LSSVM方法进行分析，可以高效的对碰摩故障进行诊断，并且能够识别不同的碰摩材料，准确率均达到83 %以上.因此，小波分析和最小二乘支持向量机相结合的方法能够快速有效地诊断转子碰摩故障，并且识别碰摩材料.图7 350 r/min时故障诊断识别结果Fig.7 Fault diagnosis identification results at 350 r/min图8 470 r/min时故障诊断识别结果Fig.8 Fault diagnosis identification results at 470 r/min图9 550 r/min时故障诊断识别结果Fig.9 Fault diagnosis identification results at 550 r/min图10 650 r/min时故障诊断识别结果Fig.10 Fault diagnosis identification results at 650 r/min图11 800 r/min时故障诊断识别结果Fig.11 Fault diagnosis identification results at 800 r/min图12 1 000 r/min时故障诊断识别结果Fig.12 Fault diagnosis identification results at 1 000 r/min表1 WA-LSSVM诊断模型对测试样本的识别正确率Table 1 Recognition accuracy of WA-LSSVM diagnostic model for test samples %组别转速/(r·mi n-1)3504705506508001 000无碰摩故障91.791.710010091.791.7HT250碰摩试件100100 91.710010091.715MnV碰摩试件10083.310010010091.74 结论利用小波多尺度分解获取FV520B转子声发射信号的各尺度能量百分比，并将能量百分比作为最小二乘支持向量机分类器的输入，得到以下结论：(1) 转子声发射信号通过小波多尺度分解，发现无碰摩时，声发射信号能量主要集中在d3、d4、d5三个区域；发生碰摩时，能量主要集中在d2、d3两个区域.通过分析各尺度的能量百分比，可以直观有效的对转子碰摩故障进行诊断.(2) 提出基于小波分析和最小二乘支持向量机的转子碰摩故障诊断方法，开展碰摩故障诊断测试实验，结果表明该方法能够快速高效的对FV520转子碰摩进行诊断，并且对碰摩材料进行识别，识别准确度均大于83 %.(3) 实验采用了两种材料与FV520B转子碰摩，为实际工程中采用其他材料的碰摩故障诊断提供技术支持.【相关文献】[1] SINHA S K.Rotor Dynamic Analysis of Asymmetric Turbofan Rotor Due to Fan Blade-Loss Event with Contact-Impact Rub Loads[J].Journal of Sound andVibration,2013,332(9):2253-2283.[2] AHMAD S.Rotor Casing Contact Phenomenon in Rotor Dynamics LiteratureSurvey[J].Journal of Vibration and Control,2010,16(9)：1369-1377.[3] HE T,XIAO D H,PAN Q,et al.Analysis on Accuracy Improvement of Rotor-Stator Rubbing Localization Based on Acoustic Emission Beamforming Method[J].Ultrasonics,2014,54(1):318-329.[4] 郑近德,潘海洋,张俊，等.APEEMD及其在转子碰摩故障诊断中的应用[J].振动、测试与诊断,2016,36(2):257-263.[5] 姚红良,韩清凯，李凌轩，等.基于谐波分量的转子系统碰摩故障定量诊断方法[J].机械工程学报,2012,48(5):43-48.[6] KIM Y H,TAN A C C,YANG B S.Parameter Comparison of Acoustic Emission Signals for Condition Monitoring of Low-Speed Bearing[J].Journal of MechanicalEngineering,2008,6(1):45-51.[7] 于洋,杨平,杨理践.基于小波变换与统计分析的转子碰摩声发射特性研究[J].振动与冲击,2013,32(9):130-134.[8] 何永勇,印欣运，褚福磊.基于小波尺度谱的转子系统碰摩声发射特性[J].机械工程学报,2007,40(6):149-153.[9] 邓艾东,赵力，包永强.基于模糊熵的转子碰摩声发射信号的识别[J].机械工程学报,2010,46(3):71-75.[10]张勇,周昀芸,王博，等.基于声发射信号的铝合金点焊裂纹神经网络监测[J].机械工程学报,2016,52(16):1-7.[11]BENZ A E e of Acoustic Emission Techniques for Detection of Discontinuities[J].Materials Evaluation,1998,56(10):1215-1222．[12]SUYKENS J A K,VANDEWALLE J,DE MOOR B,et al.Optimal Control by Least Squares Support Vector Machines[J].Neural Networks,2001,14(1):23-35.[13]VAN GESTEL T,SUYKENS J A K,BAESENS B,et al.Benchmarking Least Squares Support Vector Machine Classifiers[J].Machine Learning,2004,54(1):5-32.[14]FRANKLIN J.The Elements of Statistical Learning:Data Mining,Inference and Prediction[J].The Mathematical Intelligencer,2005,27(2):83-85.[15]BURGES C J C.A Tutorial on Support Vector Machines For Pattern Recognition[J].Data Mining and Knowledge Discovery,1998,2(2):121-167.[16]王光存,李剑锋,贾秀杰,等.离心压缩机叶片材料FV520B冲蚀过程演变规律[J].中南大学学报(自然科学版),2016,47(6):1878-1887.[17]顾燕萍,赵文杰,吴占松.最小二乘支持向量机的算法研究[J].清华大学学报(自然科学版),2010,50(7):1063-1067.[18]ZHAO C H,CHEN W H,GUO C Y.Research and Analysis of Methods for Multi-Class Support Vector Machines[J].CAAI Transa on Intelligent Systems,2007,2(4):11-17.。
基于支持向量机的故障诊断方法
基于支持向量机的故障诊断方法郑媛媛1，杨鹏2，冀香雅11东北电力大学自动化工程学院，吉林吉林（132012）2东北电力大学理学院，吉林吉林 (132012)E-mail: zhgynyn@摘要：通过对支持向量机原理的分析，将凸壳理论用于基于支持向量机的故障诊断中，用凸壳顶点集来代替整个样本集来训练，运用实际数据进行仿真，仿真结果表明，本文方法在学习性能和推广性能方面与采用整个样本集基本相同，但降低了存储空间，提高了学习速度。
关键词：支持向量机；故障诊断；凸壳1．引言在现代化生产中，生产过程的任何故障不仅直接影响产品的产量和质量，而且还可能造成严重的设备和人身事故。
长期的生产实践使人们认识到，要使机组设备安全、可靠、有效地运行，充分发挥其效益，必须发展过程监测和故障诊断技术[1]。
故障智能诊断技术代表了诊断技术的发展方向，其发展与人工智能技术的发展密切相关。
回顾诊断技术的发展历程，专家系统在诊断技术中的应用，为故障诊断的智能化提供了可能性，使诊断技术进入了新的发展阶段。
但专家系统只是依赖于经验知识库，却不能创新和发展。
由于人工神经网络具有很强的自学习能力，因此人工神经网络理论成为计算机与人工智能、认知科学等相关专业的新的研究热点，并且在故障智能诊断领域得到了较多的应用。
人工神经网络的算法基础是传统统计学，传统统计学所研究的主要是当样本趋向于无穷多时的统计性质。
但在现实问题中，样本的数目通常是有限的，因此需要学习机器具有较强的推广能力，即对符合某规律，虽然没有学习过的样本也能给出合理的结论。
但神经网络算法对于当样本数有限的问题，训练效果良好的一个算法结构却可能表现出很差的推广能力，即所谓的神经网络过学习问题。
并且人工神经网络仅仅试图使风险最小化，并没有使期望风险最小化，因而造成了推广性方面较为严重的缺陷。
近年来，人们认识到神经网络的学习算法缺乏定量的分析与机理完备的理论结果，从而使新的学习算法的研究成为机器学习的研究热点和关键问题。
123.基于支持向量机的故障诊断方法探讨
∑ ∑∑ Q(α ) =
n i=1
αi
１ 支持向量机
要使分类间隔最大，也就是 2 / w 最大，等价 于使 w 最小。因此构造最优超平面的问题就转化
支持向量机[1]是基于统计学习理论的一种机器 学习方法。它基于结构风险最小化原则，能有效地 解决过学习问题，具有良好的推广性和较好的分类 精确性。特别是针对小样本的情况，得到现有信息 下的全局最优解而不仅仅是样本数趋于无穷大时的 最优值，避免了局部极小值问题。到目前为止，SVM 已成功应用于模式识别［ １ ］ 、回归分析［１］、函数估计［２］ 、 孤立手写字符识别〔１〕、网页或文本自动分类［２］、人
几种情况进行讨论。
１．１ 线性可分情况
若 样 本 集 (xi,yi),i=1,...n,,x∈Rn,y∈{+1,−1} 线 性 可
分，则存在分类超平面 ( w ⋅ x) + b = 0 。所谓最优
超平面，就是这样的分类超平面，它不但能够将所有
训练样本正确分类，而且使训练样本中离分类面最
近的点到分类面的距离（定义为间隔 ｍａｒｇｉｎ）最大。
为在式（２）的约束下，求下式函数的最小值：
min Φ ( w) = 1 w 2
w,b
2
(3)
s.t. y i [(w ⋅ xi ) + b ] ≥ 1, i = 1,2,..., n
这是个二次规划(Quadratic Programming-QP)问题，
其可行域非空，存在最优解。首先，引入 Ｌａｇｒａｎｇｅ
多数现有的基于数据的机器学习方法，包括神 经网络在内，其理论基础是统计学。按经典统计数 学中的大数定律 ，统计规律只有当训练样本数目接 近无限大时才能准确地被表达。由此所构建的故障
基于支持向量机集成的故障诊断方法研究的开题报告
基于支持向量机集成的故障诊断方法研究的开题报
告
一、选题背景
随着现代工业的发展，各种传感器和控制器的应用越来越广泛。
同时，随着设备复杂度的增加，设备故障也变得越来越普遍。
故障诊断是
维修工作中最重要的一项工作，旨在提高设备的可靠性和生产率。
支持
向量机（SVM）是一种基于统计学习理论的分类算法，已经被广泛应用于故障诊断。
然而，SVM 的性能通常受到数据不平衡和噪声的影响。
为了
解决这些问题，研究者们提出了许多集成学习方法，这些方法通过结合
多个单独的分类器来提高分类性能。
因此，将 SVM 与集成学习方法相结合，可以进一步提高故障诊断的性能。
二、研究目的
本研究旨在研究基于支持向量机集成的故障诊断方法，旨在提高故
障诊断的精度和鲁棒性。
三、研究内容
本研究将从以下方面进行研究：
1.支持向量机原理及其在故障诊断中的应用
2.集成学习方法的原理及其在故障诊断中的应用
3.基于支持向量机集成的故障诊断方法的设计与实现
4.实验验证和结果分析
四、研究意义
本研究可以为现代工业的故障诊断提供一种有效的、高性能的方法。
同时，通过对支持向量机集成的故障诊断方法的研究，可以进一步拓宽
集成学习方法的应用领域，并为相关研究提供借鉴。
基于支持向量机的故障预报与诊断方法研究的开题报告
基于支持向量机的故障预报与诊断方法研究的开题报告一、研究背景和意义在现代工业生产中，机械设备的故障问题一直是生产安全和企业效益的重要因素。
传统的故障检测方法往往需要采集大量的数据进行分析，并需要一定的专业知识和技能来分析这些数据，而且这些方法基本上都是针对每一台设备的特定故障进行分析，无法进行全局的故障监测和预测。
因此，基于支持向量机的故障预报与诊断方法研究具有重要的理论和实际意义。
支持向量机是一种新型的模式识别方法，其基本思想是将高维空间中的数据映射到一个低维空间，找到一个最优的分类决策面，将不同的样本分开。
支持向量机方法具有许多优点，如准确性高、泛化能力强、不受样本大小和维数限制、支持非线性分类等。
因此，本研究旨在利用支持向量机方法，开发一种高效、准确的故障预报与诊断方法，为机械设备的健康管理和故障维修提供有力的支持。
二、研究内容和技术路线本研究将采用支持向量机方法，对机械设备的故障进行预报和诊断。
具体内容如下：1. 收集机械设备的运行数据，并采用数据挖掘技术进行特征提取。
2. 利用支持向量机方法对机械设备的运行状态进行分类，建立故障预报模型。
3. 基于支持向量机方法，对机械设备的故障进行诊断和分类。
4. 设计故障诊断系统，对机械设备的故障进行监测和报警。
技术路线如下：1. 数据采集：利用传感器等设备，收集机械设备的运行数据。
2. 数据预处理：对采集到的原始数据进行去噪、滤波、归一化等处理。
3. 特征提取：利用数据挖掘技术，提取数据的有用信息。
4. 模型建立：采用支持向量机方法，建立故障预报模型。
5. 故障诊断：利用支持向量机方法，对机械设备的故障进行诊断。
6. 系统设计：设计故障诊断系统，进行实时监测和报警。
三、拟解决的关键问题和预期结果1. 支持向量机方法如何应用于机械设备的故障预报和诊断？解决方案：采用支持向量机方法，对机械设备的运行数据进行分类和预测。
预期结果：建立一种高效、准确的故障预报和诊断方法，能够实现机械设备的健康管理和故障维修。
基于支持向量机的转子系统早期故障诊断方法
基于支持向量机的转子系统早期故障诊断方法
牛伟;成娟;毛宁;刘海堂;郭阳明
【期刊名称】《测控技术》
【年(卷),期】2014(033)009
【摘要】转子系统中的振动信号包含了很多状态信息,运行过程中故障特征的有效提取和识别对于转子系统早期故障诊断非常关键.针对转子系统故障信息的复杂性,提出将小波包分析和支持向量机相结合的转子系统早期故障诊断方法.该方法首先利用改进的小波包方法提取早期故障特征;然后将提取的特征向量输入基于支持向量机的分类器进行故障识别.实验分析结果表明,该方法在小样本情况下,能够有效识别转子系统的早期故障,具有很好的分类精度,而且能够实现旋转机械的多故障诊断.【总页数】5页(P18-21,25)
【作者】牛伟;成娟;毛宁;刘海堂;郭阳明
【作者单位】中航工业西安航空计算技术研究所,陕西西安710068;西安应用光学研究所,陕西西安710065;中航工业西安航空计算技术研究所,陕西西安710068;中航工业西安航空计算技术研究所,陕西西安710068;西北工业大学计算机学院,陕西西安710072
【正文语种】中文
【中图分类】TP277
【相关文献】
1.一种基于支持向量机预测器模型的转子系统故障诊断方法 [J], 于德介;陈淼峰;程军圣;杨宇
2.基于内禀模态能量熵与支持向量机的转子故障智能诊断方法的研究 [J], 祝晓燕;田希;朱霄珣;李文华
3.基于多维度排列熵与支持向量机的轴承早期故障诊断方法 [J], 贾峰;武兵;熊晓燕;熊诗波
4.基于决策树与多元支持向量机的齿轮箱早期故障诊断方法 [J], 张亮;陈志刚;杨建伟;汪耀林
5.基于局域波和混沌的转子系统早期故障诊断 [J], 王凤利;赵德有;马孝江
因版权原因，仅展示原文概要，查看原文内容请购买。
基于支持向量机的故障诊断方法研究
基于支持向量机的故障诊断方法研究近年来，基于机器学习的故障诊断方法已经成为了诊断领域的研究热点。
其中，支持向量机（Support Vector Machine, SVM）被广泛应用于故障诊断领域，并已经取得了不错的结果。
本文将对基于支持向量机的故障诊断方法进行研究，旨在探讨其优势和应用前景。
一、SVM的原理SVM是一种二分类模型，其目的是在特征空间中找到一个最优超平面，将不同类别的样本分开。
SVM的决策函数为：f（x）=sign（w·x+b）其中，w是法向量，b是偏置，x是特征向量，f（x）为预测值，sign（·）为符号函数。
SVM方法利用Kernel技巧将非线性问题转化为线性问题，进而解决二分类问题。
其核函数的选择在一定程度上决定了SVM的性能，不同的核函数适用于不同的数据分布。
二、基于SVM的故障诊断方法在故障诊断中，SVM主要应用于分类问题。
具体而言，将已知状态的数据分为正常数据和故障数据，通过训练建立分类模型。
其流程如下：（1）收集数据。
通过传感器、监控设备等手段，获取机器设备的运行参数，构成数据集。
（2）数据处理。
对数据进行预处理、特征提取等操作，建立特征向量。
（3）划分数据集。
将数据集划分为训练集和测试集，用训练集来训练模型，用测试集来测试模型的预测性能。
（4）模型训练。
利用SVM算法对训练集进行拟合，得到分类器。
（5）模型测试。
用测试集对分类器进行测试，评价模型的分类性能。
（6）模型优化。
在模型的训练和测试过程中，通过不断优化模型参数，提高模型的分类性能。
三、SVM在故障诊断中的优势（1）数据处理简单。
SVM对数据质量的要求不高，可以处理各种数据类型和数据分布，降低了对数据预处理的要求。
（2）分类性能强。
SVM可以非常有效地解决线性和非线性分类问题，且对噪声数据有较强的容错能力。
（3）适应小样本数据。
SVM对于数据量较小的情况下，仍然可以取得很好的分类效果。
（4）泛化能力强。
基于主元-双谱支持向量机的旋转机械故障诊断方法
１ 高 阶谱分析理论
在传 统 的信 号 处理 方 法 中 ， 功率 谱 分 析 方 法 是 一 种 常用 的 、 为有效 的方 法 。但 是 ， 较 功率 谱 估 计 中的 最 小方 差优 化 准 则使 得 在 谱 估 计 中丢 失 了相 位 信 息 ， 并 且 容易受 噪 声 干 扰 。近 年 来 ， 于 高 阶 累 积量 的 高 阶 基 谱 分析方 法 不但 保 留 了信 号 的相 位 信 息 ， 而且 能有 效 地抑 制噪 声 特别 是 高 斯 噪声 的干 扰 ， 于 这些 优 良特 由 性 ， 其在 信号 处理 领域得 到 了越 来越 多 的应 用 。 使 １ １ 高 阶累积 量的 定义 ． 设 （） ｔ 为零 均值 的平 稳 随机 过 程 ， 则该 过 程 的 二
收稿 日期 ：２ ０ ０ ０ 修改稿收到 日期 ：０ ７— ４—１ ０ ７— ４— ２ ２０ ０ ７ 第一作者 刘占生 男， 教授 ， 博士生 导师 ，９ ２年生 １６
通汛作者 窦 唯
（） １
ｃ （ ，２ ３ ｍｌｍ ）＝ＥＥ （ ） 凡＋ｍＩ 凡＋ｍ ） ２ 凡 （ ｘ ） （ ２ ］（ ） Ｅ［ 凡 （ （ ） 凡＋ｍＩ 凡＋ｍ ） 凡＋ｍ３ ］一 ） （ ２ （ ）
Ｒ （ ） ｍ２一ｍ ）一Ｒ （ ） ｍ ｍＩＲ （ ３ ｍ２ Ｒ （ ３一ｍＩ ）一 Ｒ （ ３ Ｒ （ —ｍ ） ｍ ） ｍＩ ２ （） ３
式 中 ｍ、 、 和 ｍ， 为滞后量 ， ｍ） ｍ．ｍ。 均 Ｒ （ 是 （） ｔ 的 二阶矩 即 自相关 函数 ， ［ 表示数 学 期望 。 Ｅ ］
（ 哈尔滨工业大学 ， 哈尔滨
摘 要 ：提出一种基于主元 一 双谱支持向量机的旋转机械故障诊断方法， 该方法具有对故障在线监测分类和故障
东北大学本科毕业设计论文《基于支持向量机算法的电网故障诊断方法研究》
ABSTRACT
With electricity demand growth and technology progress, power grid has become larger and more complex. Due to the formation of large power grids, the quality of electricity supply and electric security improves, also, resources complementary has been strengthened. Once fault occurs, however, it will spread to a wider area with a faster speed. For these merits, this study focuses on the fault diagnosis for power network based on support vector machine. By analyzing relative literatures and building a simulation model, this thesis finishes the analyzing of fault waveforms and harmonic distribution, and studies fault characteristics from the perspective of signal synthesis. To extract fault features submerged in original fault data, this thesis deeply studies the fuzzy processing method, the value detection of instantaneous current and the common fault feature extraction method based on wavelet singular entropy. For the error-prone of instantaneous current detection, fuzzing set ideas is drew to optimize the training samples and by modifying diagnostic strategies, the shortcoming is overcame. To reduce the elapsed time of the common fault feature extraction method based on wavelet singular entropy, a new fault feature combination is proposed by comparing the method with instantaneous current detection. This new combination can inspect faults rapidly when current has a sharp rise such as no- load line closing serious short circuit and improve the diagnostic accuracy when fault current rise is more gentle by taking advantage of wavelet transform which has a wealth of information. Under the condition that the fault features are extracted entirely, artifirt vector machine are used to diagnose power network faults. On one hand, a comparison of the two methods and a study on kernels, multi-class classification methods and SVM training algorithms are carried out. On the other hand, for a figurative expression of the diagnostic results, two dimensions are constructed from the training samples and a twodimensional optimal hyperplane is established by analyzing simulation system structure and data characteristics. Finally, by analyzing the spatial distribution of sample points, the three-dimensional optimal hyperplane is explored. －III－
第11次课 基于支持向量机的故障诊断
H1
二、线性分类器的求解
C1
H2
C2
Margin
所有样本均变为灰色地带，不可分情况，why？
二、线性分类器的求解
二、线性分类器的求解
二、线性分类器的求解
n
w* y x
i 1
* i i i
二、线性分类器的求解
三、核函数
可分？还是不可分？ 线性分类器---线性可分 线性不可分-----无解 有什么方法让线性不可分变 为线性可分？
线性可分： 如果一个线性函数能够 将样本完全正确的分开， 就称这些数据是线性可 分的，否则称为非线性 可分的。 什么是线性函数？ 在一维空间中： 点 在二维空间中： 直线 在三维空间中： 平面 在高维空间中： 超平面
二、线性分类器的求解
线性可分： 如果一个线性函数能够 将样本完全正确的分开， 就称这些数据是线性可 分的，否则称为非线性 可分的。 注意：在低维空间中无法线性可分 的，未必在高维空间中就不能线性 可分！
一、支持向量机（SVM）简介
泛化误差界的公式为： R(w)≤Remp(w)+Ф(n/h) R(w)--真实风险，Remp(w)--经验风 险，Ф(n/h)--置信风险。 SVM的目标从经验风险最小化变 为了寻求经验风险与置信风险的 和最小，即结构风险最小。
二、线性分类器的求解
C1
如何分类？
C2
二、线性分类器的求解
线性不可分
C1
C2
四、松弛因子
四、松弛因子
四、松弛因子
四、松弛因子
五、基于支持向量机的故障诊断
辨识？不是分类吗？
回归型支持向量机，用来对系统进 行辨识
基于内禀模态能量熵与支持向量机的转子故障智能诊断方法的研究
中， 机械 的故 障样 本非常少 ， 机器得不 到充分 的学习 ， 在故 障
０ 前
言
诊断 中也就不能准确 的识别故 障。 针对这些 问题 ， 文提 出 了基 于 Ｅ 本 ＭＤ内禀模 态能量 熵 与 Ｓ Ｍ 的转子故 障诊断 方法 。该 方 法首 先利 用 Ｅ Ｖ ＭＤ对 信
当前 ， 转机械正在朝着 大型化 、 旋 高速化 、 智能化方 向发 展。转子的运转情 况是 生产 过程 中最重 要 的问题 之一 。这 就需 要及时而准确 的发现转子 的异常 ， 诊断其故 障 。转子 的 诊断过程包括 诊 断信 息 获取 、 障特征 信 息 提取 和状 态 识 故 别， 这事 实上 就是模式识别的过程 。其 中特征提 取与状态 识 别是诊断过程 中最 重要 的两 部分 。特征 提取 的合适 与否 关
然 而 ， 型旋转 机械 的运转 过程 中存 在大 量 的非线 性 ， 大 给特征提 取和状态 识别 带来 了很大 困难 。而且对 于机 器学
丑 说 ， 需要太量 釜弛运 转 态 的数据样 本 ， 在实 际情 况 但
收稿 日期 ：０ １ ３１ ２ １－ － ０ ０
作者简 介 ： 晓燕 （ ９５ ） 女 ， 祝 １ ６ － ， 副教授 ， 硕士 ， 硕士研究生导师 ， 研究方 向： 状态检测与故障诊断。
ｍａ ｈ ｎ ｒ ｎ ｃ ｉ ｅ ａ ｄ ｈ ｓ ｅ ｓ ａ ｔ ａ ｌ ｓ Ｔｈｉ ｅ ｕ ｅ ｇ ｉ ｃ ｌ ｆｒ ｅ ｔ ｒ ｅ ｔａ ｔｏ ａ ｓａｅ ｅ ｏ ｉ ｏ ． Ｂａ ｅ ｏ ｙ ａ ｌｓ ｆｕｌ ｓ ｍｐ ｅ ． ｓ ａ ｓ ｂｉ ｄ ｆ ｕ ｔ ｏ ｆａ ｕ ｅ ｘ ｒｃ ｉｎ ｎｄ ｔｔ ｒ ｃ ｇ ｔ ｎ ｉ ｎ ｉ ｓｄ ｎ
３６ ７
基于机器学习的旋转机械故障诊断方法的研究
基于机器学习的旋转机械故障诊断方法的研究摘要旋转机械在工业生产中得到广泛应用，对旋转机械的故障诊断和预测成为了研究的热点之一。
本文提出了一种基于机器学习的旋转机械故障诊断方法，该方法可以对旋转机械进行故障分类和预测。
首先，采集旋转机械的振动信号和噪声信号，并对其进行滤波和降噪处理。
然后，通过小波变换将信号分解成多个尺度，利用能量和功率谱密度等特征参数进行特征提取。
最后，使用支持向量机、神经网络和随机森林等机器学习算法进行分类和预测。
实验结果表明，该方法可以有效地识别旋转机械的故障类型和预测故障发生时间，具有很高的诊断准确率和精度。
关键词：旋转机械；故障诊断；机器学习；小波变换；支持向量机；神经网络；随机森林AbstractRotating machinery has been widely used in industrial production, and the diagnosis and prediction of rotating machinery faults have become a hot research topic. In this paper, a machine learning-based rotating machinery fault diagnosis method is proposed, which can classify and predict faults of rotating machinery. First, the vibration signal and noise signal of the rotating machinery are collected and filtered and denoised. Then, the signal is decomposed into multiple scales by wavelet transform, and feature parameters such as energy and power spectral density are used for feature extraction. Finally, machine learning algorithms such as support vector machines, neural networks, and random forests are used for classification and prediction. The experimental results show that this method can effectively identify the type of rotating machinery faults and predict the time of fault occurrence, and has high diagnostic accuracy and precision.Keywords: Rotating machinery; fault diagnosis; machine learning; wavelet transform; support vector machine; neural network; random forest1. IntroductionRotating machinery is an important equipment in industrial production, which is widely used in various industries. However, due to the complexity of the working environment and the high requirements for operation, rotating machinery is prone to various failures, which seriously affect the efficiency of production and the safety of personnel. Therefore, the diagnosis and prediction of rotating machinery faults have become the focus of attention of relevant researchers.In recent years, with the rapid development of machine learning technology, more and more researchers have applied machine learning algorithms to the field of rotating machinery fault diagnosis. Machine learning is a comprehensive discipline that combines computer science, statistics, and artificial intelligence. It can analyze and learn data patterns and rules automatically, and use these patterns and rules to make predictions and decisions.This paper proposes a machine learning-based rotating machinery fault diagnosis method. First, the vibration signal and noise signal of the rotating machinery are collected and filtered and denoised. Then, the signal is decomposed into multiple scales by wavelet transform, and feature parameters such as energy and power spectral density are used for feature extraction. Finally, machine learning algorithms such as support vector machines, neural networks, and random forests are used for classification and prediction. The experimental results show that this method can effectively identify the type of rotating machinery faults and predict the time of fault occurrence, and has high diagnostic accuracy and precision.2. Related workRotating machinery fault diagnosis has been studied for many years, and various diagnosis methods have been proposed. Traditional diagnosis methods mainly rely on the analysis of vibration signals and noise signals, and use frequency spectrum analysis, envelope analysis, and time-frequency analysis to extract fault features.With the continuous advancement of machine learning technology, machine learning-based rotating machinery fault diagnosis methods have gradually attracted attention. For example, Bai et al. [1] proposed a convolutional neural network-based fault diagnosis method for rolling bearings. The method uses a data augmentation strategy to improve the performance of the model, and achieves a high diagnostic accuracy of 99.8%.Liu et al. [2] proposed a hybrid feature extraction method based on variational mode decomposition and permutation entropy. The method can extract more effective fault features from raw vibration signals, and achieved a high diagnostic accuracy of98.5%.Zheng et al. [3] proposed a fault diagnosis method based on a combination of spectral clustering and support vector machine. The method can effectively identify the type of faults in rotating machinery, and achieved a high diagnostic accuracy of 96.3%.3. Methodology3.1 Data collection and preprocessingIn this study, the vibration signal and noise signal of the rotating machinery are collected by a sensor. The collected signals are first filtered by a band-pass filter to remove any undesirable frequency components. Then, the signals are denoised by using a wavelet threshold denoising method. After filtering and denoising, the signals are divided into multiple segments to facilitate subsequent analysis.3.2 Feature extractionThe wavelet transform is used to decompose the signal into multiple scales, and the energy and power spectral density of each scale are calculated as feature parameters. Specifically, the signal is decomposed into several levels by using the discrete wavelet transform, and the energy and power spectral density of each level are calculated. Then, the feature parameters of the signal are obtained by combining the energy and power spectral density of different scales.3.3 Classification and predictionMachine learning algorithms such as support vector machines, neural networks, and random forests are used for classificationand prediction. Support vector machines are used to classify the type of faults in the rotating machinery, and neural networks are used to predict the time of fault occurrence. Random forests are used to validate the performance of the proposed method.4. ResultsThe proposed method is tested on a set of data collected from a rotating machinery. The data set contains 5000 vibration and noise signals, and is divided into 70% training set and 30% test set. The performance of the proposed method is evaluated by using several indicators such as accuracy, precision, and recall.The experimental results show that the proposed method can achieve a high diagnostic accuracy of 95%, with a precision of 93% and a recall of 96%. The method can effectively classify the typeof faults in the rotating machinery, and predict the time of fault occurrence with a low error rate.5. ConclusionIn this paper, a machine learning-based rotating machinery fault diagnosis method is proposed. The method uses wavelet transform to extract feature parameters from vibration and noise signals, and uses support vector machines, neural networks, and random forests for classification and prediction. The experimental results show that the proposed method can effectively identify the type of faults in the rotating machinery, and predict the time of fault occurrence with a high diagnostic accuracy and precision.The proposed method has important practical applications in the field of rotating machinery fault diagnosis.。
基于优化支持向量机的实验设备故障诊断
收稿日期: 2020-11-19 基金项目: 国家自然科学基金项目（61962058）；2017 年度新疆维吾尔自治区高校科研计划项目青年项目（XJEDU2017S059） 作者简介: 王晓辉（1970—），女，陕西眉县，学士，高级实验师，研究方向为实验仪器与管理，357745305@。 通信作者: 刘文（1982—），男，四川广安，博士，教授，研究方向为大数据分析与挖掘，627952@。 引文格式: 王晓辉，王小娟，谷峥，等. 基于优化支持向量机的实验设备故障诊断[J]. 实验技术与管理, 2021, 38(6): 254-257. Cite this article: WANG X H, WANG X J, GU Z, et al. Fault diagnosis of experimental equipment based on optimized support vector machine[J]. Experimental Technology and Management, 2021, 38(6): 254-257. (in Chinese)
Abstract: In order to change the traditional fault diagnosis method of experimental equipment and improve the accuracy of fault classification and prediction of experimental equipment, a fault diagnosis model of experimental equipment based on support vector machine is proposed, and the support vector machine model is optimized by cross ation to predict and classify the equipment faults. The results show that the prediction error rate of the cross validation optimized support vector machine algorithm is 3.35%, which is better than that of the support vector machine algorithm by 9.94%. The optimized support vector machine model has good prediction and classification effect, and can be used for fault diagnosis of experimental equipment. Key words: support vector machine; experimental equipment; fault diagnosis; cross validation
基于假设检验和支持向量机的旋转机械故障诊断方法
基于假设检验和支持向量机的旋转机械故障诊断方法
赵宇;李可;宿磊;陈鹏
【期刊名称】《中国机械工程》
【年(卷),期】2017(028)007
【摘要】针对旋转机械故障诊断中存在的早期非平稳微弱故障信号特征提取困难、故障诊断不准确等问题,提出了一种基于自适应假设检验滤波和支持向量机(SVM)
的故障诊断方法.该方法采用统计学假设检验原理来评估参考信号(噪声信号)和原始信号(故障信号)在频域上的相似性,删除具有高相似性的频域成分;通过粒子群优化
算法获得最佳的显著性水平α;定义评估因子Ipq来评价假设检验滤波的效果.最后
通过SVM来逐次诊断轴系构造异常.验证结果表明该方法能够有效地诊断出传动轴不对中和不平衡的故障类型.
【总页数】7页(P823-829)
【作者】赵宇;李可;宿磊;陈鹏
【作者单位】江南大学江苏省食品先进制造装备技术重点实验室,无锡,214122;江
南大学江苏省食品先进制造装备技术重点实验室,无锡,214122;江南大学江苏省食
品先进制造装备技术重点实验室,无锡,214122;三重大学,三重,514-8507
【正文语种】中文
【中图分类】TH133.2;O21
【相关文献】
1.基于主元-双谱支持向量机的旋转机械故障诊断方法 [J], 刘占生;窦唯;王晓伟
2.基于二叉树的支持向量机旋转机械故障诊断方法 [J], 孙林;付静
3.基于小波分析和支持向量机的旋转机械故障诊断方法 [J], 何学文;孙林;付静
4.旋转机械故障的拉普拉斯支持向量机诊断方法 [J], 郝腾飞;陈果
5.基于时变自回归模型与支持向量机的旋转机械故障诊断方法 [J], 张龙;熊国良;柳和生;邹慧君;陈慧
因版权原因，仅展示原文概要，查看原文内容请购买。
基于支持向量机故障诊断方法
基于支持向量机故障诊断方法
谢芳芳;章兢;郑剑
【期刊名称】《传感器世界》
【年(卷),期】2006(12)4
【摘要】支持向量机是一种基于统计学习理论的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果.本文以双螺杆挤出机为例,介绍了基于支持向量机的多故障分类器,探讨了"成对分类"与"一类对多类"两种多类分类算法的应用.诊断实例表明,基于支持向量机的多故障分类器对设备故障具有很好的分类效果.
【总页数】3页(P42-44)
【作者】谢芳芳;章兢;郑剑
【作者单位】无
【正文语种】中文
【中图分类】TP391.6
【相关文献】
1.基于故障测试相关矩阵与支持向量机的模拟电路软故障诊断方法 [J], 郑博恺;邓杰;张开新;孙祺森;王璐;翟国富;
2.基于支持向量机和余弦相似度的故障诊断方法 [J], 匡增晟; 张喆; 邵秀丽; 常兵兵
3.一种基于EMD与多特征支持向量机(SVM)故障诊断方法 [J], 李明臻
4.基于二叉树支持向量机的往复压缩机气阀故障诊断方法 [J], 肖军;舒悦;谢传东;刘晓明;刘志龙
5.基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法 [J], 王振亚;姚立纲;蔡永武;张俊
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
六、实验内容及技术路线 1.实验内容
分别采集各种状态下转子振动信号：正常、转子质 量不平衡、转子动静碰磨故障转子不对中、轴承松 动、油膜涡动及油膜震荡等
分别以转子第一临界转速、转子柔性工作区以及稳 态转速点为分界
2.技术路线
振动信号采集—特征提取—构造分类器—实验—分 析结果—性能改造
恳请各位老师批 评指导！
3.SVM训练及预测流程
选定训练集和测试集 预测（测试集） 数据预处理 分类准确率 训练SVM（训练集）
三、课题研究内容
1.在转子实验台上，针对每一种故障做大量的试 验，并采集相应数据
2.对采集的振动信号进行预处理与特征提取，得到 最简练、最精确、最能表达信号特征的数据 3.以提取的特征作为训练样本，构造支持向量机分 类器 4.根据以上流程以Matlab为平台实现转子故障诊断 SVM模式分类
转子系统故障诊断流程框图
转子系统
信号采集
获取信号
信号处理
获取特征信息 状 态 识 别
故障确定 故障决策 趋势预测 判别准则
二、采用诊断方法简介
1.介绍：本研究拟采用支持向量机的方法，实现 故障分类。它属于模式识别的一个分支， 是针对二类模式识别问题而提出的, 基于 结构风险最小化原则, 表现出了很强的泛 化能力,将其推广到多分类问题目前主要 采用两类组合的方法。 2.特点：具有训练时间短、鲁棒性强和非常优异的 预测推广能力等 。相比其他分类方法具 有训练速度快、需要样本少、分类性能全 局性好等优点
五、欲解决的关键问题及创新点
关键问题
1．振动信号特征提取算法的研究； 2．SVM算法的惩罚系数、核函数及其参数的选择； 3．用改进的算法构造支持向量机分类器； 4．基于Matlab实现SVM分类系统开发。
创新点 1．快速、准确适合SVM进行训练的特征提取算法 研究； 2. 以转子系统为研究对象，对支持向量机分类算 法进行改进；
基于支持向量机的转子系统 故障诊断方法研究
内容简介
一、本课题意义及流程框图
二、采用诊断方法简介
三、课题研究内容
四、国内外研究现状
五、欲解决的关键问题及创新点
六、技术路线及实验内容
一、本研课题意义以及流程框图
课题意义 意义：1.准确的构造故障分类器对机械故障自动决 策具有十分重要的意义 2.可以初步实现机械故障诊断自动化、智能 化、信息化
四、国内外发展现状
国外现状
SVM算法： Lee Y.J.和Mangasarian共同提出了一种光滑 支持向量机 SVM应用：将SVM应用于异步电动机故障诊断中 把SVM应用于齿轮的故障诊断中 研究了基于支持向量机的电机故障诊断多分类器
国内现状
SVM算法：清华大学张学工提出了CSVM算法 总结了现有主要的支持向量机多分类算法，比较 了 各种算法的训练速度、分类和推广能力 归纳了SVM分类器中几个参数选取对SVM性能的 影响 SVM应用：把多类支持向量机应用于气轮发电机组的多类故 障诊断上； 把SVM应用于齿轮故障诊断 将SVM用于非线性系统故障诊断等 运用SVM对滚动轴承故障进行模式识别