混合特征集与MK-SVM的带钢表面缺陷辨识

针对带钢表面缺陷难以有效辨识的问题,设计基于混合域特征集与多核支持向量机的带钢表面缺陷分类辨识方法。首先基于灰度特征、纹理特征计算带钢表面缺陷的图像特征指标量,构造混合域特征集,再将混合域特征集输入给多核支持向量机实现带钢表面缺陷的分类辨识。实验结果表明,该方法能够有效提取带钢表面缺陷的低维敏感特征,辨识精度高,泛化能力强,可以应用于工程企业带钢表面缺陷的分类辨识。

基于混合域特征集与PSO-SVM的滚动轴承故障诊断方法

针对单一或单域特征难以全面反映设备零部件运行状态的问题,提出了一种基于混合域特征集与粒子群优化支持向量机(Particle Swarm Optimization Support Vector Machine,PSO-SVM)的滚动轴承早期故障诊断方法。首先,分别采用基于时域、频域以及时频域的信号处理方法进行特征提取;然后将提取到的特征指标进行有机结合,构建混合域特征集;最后将混合域特征集输入粒子群优化支持向量机中实现滚动轴承早期故障的诊断。通过对凯斯西储大学轴承故障诊断实验数据进行验证,结果表明该方法在轴承故障诊断中具有精确性与稳定性。

基于混合域相对特征和FOA-XGBoost滚动轴承退化评估

针对使用多域特征进行滚动轴承退化评估建模时准确度较低的问题,提出一种基于果蝇优化算法(fruit fly optimization algorithms,简称FOA)集成极限梯度提升树(extreme gradient boosting,简称XGBoost)的轴承退化状态评估方法。提取滚动轴承全寿命周期的时域、频域及时频域等多维特征参数,构建混合域相对特征集,利用相对方均根值初始化轴承退化相应参数,进而利用混合域特征训练XGBoost模型并结合FOA算法对退化评估模型进行参数调优。结果表明:所构建的退化评估模型比常用的支持向量回归(support vactor regerssion,简称SVR)模型在2个数据集上的性能分别提高了27.15%和34.96%,所提方法可以准确有效地评估轴承退化状态。

基于KPCA与粒子群优化SVM的扫路车驱动电机故障诊断

针对环卫车辆驱动电机故障特征不明显且存在大量干扰因素等问题,为了提高故障诊断准确率,提出一种基于核主元分析和粒子群优化支持向量机(SVM)的故障诊断方法。该方法利用在电机故障状态下的振动信号构建时频域混合特征集,通过核主元分析,对特征集内的特征量进行降维处理;通过选择主元特征和利用粒子群算法,优化SVM的主要参数,将得到的特征量输入到优化后的SVM中进行计算,并与未进行核主元分析的SVM进行对比分析。计算结果表明:该方法能够显著提高扫路车驱动电机的故障诊断准确率。

基于混合域特征集与加权KNN的滚动轴承故障诊断

针对滚动轴承的早期故障特征微弱难以有效辨识的问题,提出基于混合域特征集与加权K-近邻分类器的滚动轴承早期故障诊断方法。首先,基于时域、频域、时频域信号处理方法计算滚动轴承早期故障的特征指标量,构造混合域特征集,再将混合域特征集输入给KNN实现滚动轴承的早期故障诊断。实验结果表明,基于混合域特征集与加权K-近邻分类器的滚动轴承早期故障诊断方法能够有效地提取滚动轴承早期故障的低维敏感特征,而且结构稳定,诊断精度高,可以推广应用于滚动轴承的实时在线监测。

主分量分析和隐马尔科夫模型结合的轴承监测诊断方法

为了快速识别轴承的故障模式以及性能退化状态,提出了一种基于主分量分析和隐马尔科夫模型的轴承监测诊断方法。该方法首先提取了轴承振动信号的混合域故障特征集,使用主分量分析对混合域故障特征集降维,然后使用降维后的特征训练隐马尔科夫模型,最后用降维后的测试样本测试模型的性能,根据隐马尔科夫模型输出的对数似然概率,确定轴承故障模式以及轴承的性能退化状态。开展了不同状态滚动轴承振动测试实验,数据分析结果表明,提出的方法诊断准确率均能达到100%,相比基于补偿距离选择特征降维及隐马尔科夫模型诊断方法,最高将分类离散度提高123.74%,并且在轴承的性能退化实验中,提出的方法能在故障早期给出故障预警,证明了该方法的有效性和准确性。