基于小波变换的滚动轴承故障诊断研究

分析滚动轴承的失效机理及出现故障时的特征频率。小波分析能同时从时域和频域两个方面对信号进行分析,应用小波变换加包络分析相结合的方法,成功提取仿真信号和实测信号中的周期性成分,对滚动轴承故障做出准确诊断。     

基于SVM的小波图像去噪

在小波分析的基础上,运用支持向量机(SVM)方法来对噪声和非噪声数据进行分类。首先,把一带有噪声的信号进行多尺度小波分解;然后通过试验检测出小波分解系数中部分噪声信号和非噪声信号,得到样本数据来训练SVM;最后对所有的小波系数用训练后的SVM来进行分类得到非噪声信号,并且对这部分非噪声信号进行小波重构即达到了去噪的目的。     

SVM方法在滚动轴承故障诊断中的应用

SVM方法是在统计学习理论的基础上发展起来的一种新的机器学习算法,它是统计学习理论的具体应用．讨论了SVM方法在故障诊断领域中应用的分类算法,并以滚动轴承为例进行了试验论证．     

基于ACA-SVM融合的变压器故障诊断

变压器故障诊断是一项复杂而有难度的技术,受到很多因素的影响.本文提出了基于ACA-SVM融合的变压器故障诊断方法,即将蚁群优化算法（ACA）用于SVM参数优化.它不仅具有很强的全局搜索能力,而且容易实现.经实验结果证明,基于ACA-SVM融合的变压器故障诊断结果与实测数据基本一致,其预测精度高于普通的SVM和IEC三比值法,能有效诊断变压器内部潜伏性故障.     

基于小波变换和支持向量机的人脸识别系统设计

小波变换能够充分突出某些特征的主要特点,通过小波变换可以将一张高维数的图片变换成低维数的图片,且人脸识别所需要的主要特征保持不变,通过主成份分析可以进一步降维。改进了基于小波变换和主成份分析提取特征〖JP〗向量的人脸识别方法,开发了基于小波变换及支持向量机的人脸识别系统,实现了对普通图片和视频的人脸识别。     

基于小波包络分析的滚动轴承故障诊断研究

滚动轴承出现故障时的振动信号是非平稳信号,傅立叶变换方法难以达到满意的效果。小波分析可同时从时域和频域两个方面对信号进行分析,十分适于滚动轴承的故障诊断。根据滚动轴承故障诊断理论,通过构造轴承上有单个损伤点时的仿真信号,应用小波包分析与包络分析相结合的方法,成功提取了滚动轴承的故障特征,并在此基础上对实测的滚动轴承振动信号进行分析,实验结果表明小波包络技术可以有效的提取滚动轴承故障信号。     

一步增量过程在Morlet小波下的特征

研究了在Morlet小波下一步增量过程的性质及小波展式。     

基于支持向量机的汽车变速箱故障诊断研究

汽车变速箱是汽车传动系统的核心部件。为提高汽车变速箱故障诊断准确率,本研究提出一种基于支持向量机的故障诊断模型。利用三轴压电式加速度传感器,分别从正常齿轮和缺齿齿轮中获取振动信号,从信号中提取特征值作为支持向量机的输入用于故障识别。通过实例验证,相对于BP神经网络故障诊断模型,基于SVM的故障诊断模型具有更高的诊断精度,对变速箱的故障预测和实时诊断具有实际参考意义。     

基于多小波变换和支持向量机的鲁棒水印算法

为了提高水印的综合效果,根据多小波变换后相邻系数之间具有很强的相关性的特点,提出了一种基于支持向量机的图像水印算法.由于支持向量机在小样本训练的情况下具有良好的学习和泛化能力.因此,可以首先利用支持向量回归机建立相邻系数之间的关系模型.然后,通过调整模型的输入来嵌入或提取水印.实验结果表明,用算法得到的水印不但具有很好的图象感知质量,而且鲁棒性好,实用性强.     

基于遗传算法寻优的多核支持向量机故障诊断系统

针对传统的单核SVM已经无法满足多个不同数据源的复杂问题,提出了支持向量机多核学习的改进方法.多核支持向量机的学习能力、泛化能力、决策能力在很大程度上取决于参数的选择以及多核权值系数的优化.对此,本文使用遗传算法对多核权值系数寻优,设计多核支持向量机故障诊断系统,此系统在某型飞机的垂直陀螺故障诊断中进行了验证,验证分别利用单核支持向量机和多核支持向量机分类精度对比,结果表明遗传算法寻优得到的权值系数使多核支持向量机分类精度明显提高.     

基于EMD的多特征参数和关联向量机的滚动轴承故障诊断研究

轴承作为工业中旋转机械中的重要部件,其故障将严重影响机械设备的安全运行.为了实现对轴承运行故障状态的有效诊断,提出了一种基于经验模态分解(empirical mode decomposition,EMD)提取的多特征参数的关联向量机的(Relevance vector machine,RVM)的滚动轴承的多故障诊断模型.首先运用经验模态分解的方法将轴承振动信号分解为多个固有的模态分量,之后将提取的表征轴承故障特征的IMF分量的能量、峭度、偏度构造特征向量,最后采用关联向量机多分类故障诊断模型进行故障模式识别.轴承实测振动信号分析表明:该方法能够有效、准确地诊断出轴承的故障状态,具有较高故障诊断准确率.     

改进WOA算法优化SVM的网络入侵检测

基于支持向量机(SVM)的网络入侵,因SVM参数设置不当导致分类准确率偏低的问题,提出改进二进制鲸鱼算法优化支持向量机(IBWOA-SVM)的网络入侵检测。通过对鲸鱼优化算法中收敛因子的改进和更新机制融入粒子群策略的方式,改善其容易陷入局部最优且收敛精度慢的缺点。对初始化参数群采用改进二进制鲸鱼优化算法的更新机制不断地进行更新迭代,迫使鲸鱼搜索代理获取较优的参数值来建立性能较优的分类模型,进而提高网络入侵检测的分类性能。采用多个UCI数据集并与其他的参数优化方法进行对比,最后使用网络入侵检测KDD CUP 99数据集进行验证。结果表明,与遗传算法、粒子群算法和鲸鱼优化算法在SVM参数优化上的性能相比,IBWOA-SVM方法的分类准确率和适应度值在各数据集上都有所提高,从而有利于改善网络入侵检测参数优化中的分类性能。     

基于小波分析的机械故障诊断

噪声是影响设备早期故障诊断正确性的主要因素。利用小波变换对机械设备的噪声信号进行多层次分解,并根据奇异性进行滤波,该法可以对信号进行良好的降噪,同时也不会弱化信号中的弱故障信号。通过对机械设备早期故障信号分析,结果表明奇异信号特征法对水泵早期故障诊断是有效的。     

基于奇异值分解和支持向量机的故障诊断方法研究

针对设备故障信号的微弱和噪声干扰严重问题,提出了基于奇异值分解和支持向量机的故障诊断方法.利用聚类分析的方法预处理设备的状态信号,剔除信号的异常点,以提高信号的准确性.对预处理后的信号进行构造矩阵和奇异值分解,选择恰当的窗口长度,以奇异值作为信号特征.支持向量机对信号特征进行识别和分类,为了避免支持向量机在多状态分类中输出的不确定性,记录支持向量机的训练输出作为决策表.支持向量机测试时的输出与决策表比对,以提高诊断结果的可靠性.最后,通过对比试验验证了基于奇异值分解和支持向量机的方法可以对设备进行可靠、准确、快速的故障诊断.     

基于小波核的LS—SVM算法在城市交通流预测中与其他核函数对比研究

针对城市交通流短时流量预测在智能交通系统中的重要性,在以往研究基础上采用Morlet函数作为小波核函数,进一步提高了模型的预测精度及泛化能力．将其与其他几种常用核函数模型进行比较,其效果明显优于其他核函数模型,能够满足智能交通控制和诱导的要求．     

基于优化支持向量机的实验设备故障诊断

为改变传统实验设备故障诊断方法,提高实验设备故障分类预测准确率,提出基于支持向量机的实验设备故障诊断模型,并通过交叉验证优化支持向量机模型,对设备故障进行预测分类.结果表明,交叉验证优化支持向量机算法预测错误率为3.35％,优于支持向量机算法预测错误率9.94％,优化的支持向量机模型具有较好的预测分类效果,可以用于实验...     

基于PSO与GA的SVM特征选择与参数优化算法

支持向量机（SVM）在处理大样本特征维数较多的数据集时,算法消耗时间长而且容易陷入局部最优解,选择不合适的SVM算法参数会影响SVM模型分类性能。为了提高SVM性能,提出了基于粒子群算法（PSO）和遗传算法（GA）相结合的SVM特征选择与参数同步优化算法PGS。在UCI标准数据集上的实验表明,PGS算法能有效地找出合适的特征子集及SVM算法参数,提高收敛速度并能在较小的特征子集获得较高的分类准确率。     

基于谐波小波包和支持向量机的声发射源识别

为了解决直升机动部件疲劳损伤类型识别问题,提出了一种基于谐波小波包特征提取和层次支持向量多分类器的声发射源类型识别方法.声发射信号经过4层谐波小波包分解后,提取各个频段的能量特征用于声发射源类型识别,克服了传统小波包分析能量泄露、频带选取不灵活、不同层频率分辨率不同的缺点.首先,利用已知声发射源类型的试验数据训练层次支...     

基于小波分析的HVAC系统故障诊断技术研究

在分析HVAC故障特征的基础上,综合比较了现有的几种故障诊断方法(包括:人工神经网络、小波分析、模糊数学和专家系统等)的优缺点.介绍了小波分析的基本原理,以及利用小波包分析进行故障特征提取与识别的基本思路.     

基于小波包分析的齿轮箱故障诊断研究

通过对齿轮箱正常和故障运行状态的振动信号进行分析,利用小波包理论将3种工况振动信号进行分解,根据不同频带内能量分布的不同以及能量比值指标,有效地进行了3种工况的识别与分类,结果表明,利用小波包分解是齿轮箱故障的一种有效的诊断方法。