基于支持向量机的液压调节器多类故障辨识

针对目前故障诊断中故障数据样本获取及特征提取困难的问题,分析了液压调节器的4种典型故障,建立了基于支持向量机的多类故障分类器,并直接将少量的时间序列信号作为分类器的输入。实验结果表明,在小样本情况下,不必对信号预处理以提取特征,该分类器便可实现液压调节器的多类故障分类,证明该方法是有效、可行的。

基于支持向量机的故障诊断方法研究

故障样本缺乏是制约智能故障诊断发展的重要原因。支持向量机是近10 a来提出的一种基于小样本的统计学习方法。将支持向量机分类算法用于滚动轴承的多类故障分类并与RBF神经网络进行对比研究。实验表明,在有限样本条件下,支持向量机算法比RBF神经网络具有更好的分类性能。

基于最小二乘支持向量机的机车轴承故障诊断

针对神经网络故障诊断存在的诸多问题,提出了基于最小二乘支持向量机的机车轴承故障诊断方法。采用最小二乘支持向量机方法建立多类故障分类器,对输入的特征向量信息进行分类,完成故障诊断功能。仿真证明了最小二乘支持向量机在小样本情况下比神经网络具有更强的泛化能力,用于故障诊断时在识别准确率和抗干扰能力方面有明显的优势。

支持向量机多故障分类研究

研究了多值分类支持向量机在机械故障诊断中的应用,以滚动轴承振动信号进行了分类实验。实验表明,在小学习样本条件下SVM比RBF人工神经网络具有更好的分类性能和推广能力。SVM方法的应用为以计算机技术为基础的设备监测、智能故障诊断提供技术保障。