向量機(jī)機(jī)械故障診斷方法

提出一種基于遺傳算法和支持向量機(jī)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(jī)的參數(shù)同時進(jìn)行優(yōu)化,然后把優(yōu)化選擇的故障特征輸入支持向量機(jī)進(jìn)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(jī)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(jìn)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(jì)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(jī)械;故障診斷;發(fā)展趨勢 引言 機(jī)械故障診斷技術(shù)作為一門新興的科學(xué)，自二十世紀(jì)六七十年代以來 已經(jīng)取得了突飛猛進(jìn)的發(fā)展，尤其是計算機(jī)技術(shù)的應(yīng)用，使其達(dá)到了 智能化階段，現(xiàn)在，機(jī)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

本文主要針對旋轉(zhuǎn)機(jī)械的故障診斷問題,設(shè)計了基于labview的旋轉(zhuǎn)機(jī)械振動測試系統(tǒng),該系統(tǒng)通過軟件編程來實現(xiàn)振動信號的存儲、分析及特征提取,并且提出了基于支持向量機(jī)的智能故障診斷方法,該方法將特征向量直接輸入到支持向量機(jī)分類器中進(jìn)行故障識別,結(jié)果表明支持向量機(jī)對于機(jī)械故障有較好的分類效果。

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(jī)svm算法,在二分類無法解決多分類的基礎(chǔ)上進(jìn)行改進(jìn),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(jī)svm算法,在二分類無法解決多分類的基礎(chǔ)上進(jìn)行改進(jìn),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.

故障樣本的缺乏嚴(yán)重制約智能故障診斷的發(fā)展,本文提出支持向量機(jī)應(yīng)用到發(fā)動機(jī)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?jǐn)?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(jī)的多元分類器模型,進(jìn)行故障類別診斷。經(jīng)過libsvm工具箱進(jìn)行仿真,結(jié)果表明經(jīng)優(yōu)化后的支持向量機(jī)對于小樣本故障診斷有很高的準(zhǔn)確率。

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

支持向量機(jī)作為基于統(tǒng)計學(xué)理論的機(jī)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(jī)智能識別方法引入到機(jī)械設(shè)備的故障診斷當(dāng)中，并對支持向量機(jī)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(jìn)行最優(yōu)化計算。建立了基于優(yōu)化的支持向量機(jī)的機(jī)械設(shè)備故障診斷模型，并且進(jìn)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(jī)的故障診斷方法可有效識別出機(jī)械設(shè)備的故障類型，對機(jī)械設(shè)備的故障診斷提供了有效的診斷方法。

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(jī)(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(biāo)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(jī)用于電梯故障診斷是一種有效的方法。

針對水電機(jī)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(jī)的水電機(jī)組故障診斷模型.并針對實測水電機(jī)組故障數(shù)據(jù),分析支持向量機(jī)水電機(jī)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(jī)組故障診斷中的優(yōu)劣.研究表明,支持向量機(jī)理論在小樣本情況下比神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的診斷能力.

針對水電機(jī)組故障樣本少的問題,將支持向量機(jī)引入水電機(jī)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(jī)的水電機(jī)組故障診斷模型?；跈C(jī)械設(shè)備\"能量-故障\"映射關(guān)系,運用小波分解提取機(jī)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(jī),實現(xiàn)對機(jī)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(jī)結(jié)合進(jìn)行水電機(jī)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(jī)組故障診斷提供了新的方法和思路。

在現(xiàn)代化生產(chǎn)中，隨著機(jī)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(jìn)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(jī)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。

針對當(dāng)前工業(yè)機(jī)械設(shè)備運行數(shù)據(jù)龐大,設(shè)備故障診斷復(fù)雜等問題,采用三層式bp神經(jīng)網(wǎng)絡(luò),結(jié)合主元分析法,研究用于工業(yè)機(jī)械設(shè)備故障診斷的bp神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法,來對設(shè)備故障原因進(jìn)行分類,并在此基礎(chǔ)上探討bp神經(jīng)網(wǎng)絡(luò)對于不同場景的應(yīng)用,從而提高bp神經(jīng)網(wǎng)絡(luò)的應(yīng)用價值。

在現(xiàn)代化生產(chǎn)中，隨著機(jī)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(jìn)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(jī)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(jī)模擬電路故障診斷涉及到特征提取、特征選擇和支持向量機(jī)的參數(shù)優(yōu)化等問題,它們都對診斷結(jié)果有直接的影響。針對這一問題,提出了一種基于改進(jìn)的離散粒子群算法的同步優(yōu)化方法。該算法采用非線性慣性權(quán)重和遺傳操作相結(jié)合的方法,提高了粒子群前期迭代的探索能力和后期迭代的開發(fā)能力,同時降低了粒子群陷入局部最優(yōu)的風(fēng)險。通過模擬電路的仿真實驗,驗證了同步優(yōu)化方法和改進(jìn)的離散粒子群算法的有效性。

核數(shù)據(jù)的獲取和處理包括探測器將核粒子能量通過模擬放大器轉(zhuǎn)換成與之對應(yīng)的脈沖幅度;再由模擬-數(shù)字轉(zhuǎn)換器(adc)或時間-數(shù)字變換器(tdc)將探測器給出的脈沖幅度(或時間間隔)變換成離散的核信息數(shù)據(jù)。本文根據(jù)其離散數(shù)據(jù)提取特征值并進(jìn)行模式識別,嘗試基于支持向量機(jī)的模擬電路故障定位,并通過軟件仿真對此方法進(jìn)行檢驗。通過具體成形放大模擬電路仿真實驗,驗證了支持向量機(jī)對模擬電路故障定位的有效性。

提出一種利用小波變換提取模擬電路故障特征和基于支持向量機(jī)狀態(tài)分類的模擬電路故障自動識別和診斷方法。首先討論小波變換的基本原理和支持向量機(jī)原理及其多分類算法,同時著重研究支持向量機(jī)的一種改進(jìn)型一對多故障分類算法,然后實現(xiàn)在小波變換上,采用分布式多svm分類器識別單相橋式整流模擬電路的故障。實驗證明,該方法能準(zhǔn)確有效地對模擬電路故障進(jìn)行識別和診斷。

工程機(jī)械故障診斷專家系統(tǒng)設(shè)計與實現(xiàn)

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(jìn)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(jī)相結(jié)合進(jìn)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(biāo)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(jī)的輸入對電梯故障類型進(jìn)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(jī)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(jìn)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(jī)相結(jié)合進(jìn)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(biāo)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(jī)的輸入對電梯故障類型進(jìn)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(jī)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。

研究電路的故障問題,應(yīng)提高快速性和準(zhǔn)確性。為提高仿真電路故障診斷效率,給出了一種基于改進(jìn)支持向量機(jī)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(jī)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(jī)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(jī)的方法診斷精度最高,達(dá)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(jī)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(jìn)行采集。支持向量機(jī)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(jìn)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(jī)可以有效地對數(shù)字電路故障進(jìn)行診斷。