球边界偏移判别结合空间分布聚类的故障诊断

针对目前支持向量机和支持向量数据描述多分类方法,无法有效处理新类别样本的难题,提出一种自适应的故障诊断方法。首先,在支持向量数据描述多分类器中,增加一种新的球边界偏移判别条件,使诊断模型具有识别新的未知样本的能力;其次,根据未知样本的空间分布情况,进行样本的聚类学习,建立新的故障类别描述域,完成诊断模型的自更新。以混凝土泵车柱塞泵为研究对象进行仿真实验,结果表明:与传统多分类方法相比,该方法有更好的识别精度,特别是测试样本包含未知类别故障时,识别精度仍大于95%,显示了更好的适应能力。

带故障样本的弹性双阈值SVDD在线故障诊断算法及其应用

提出一种带故障样本的弹性双阈值SVDD在线故障诊断算法,该算法从故障样本使用、实时样本划分以及训练样本更新三个方面对传统在线SVDD算法进行优化。一是在SVDD训练阶段加入故障样本,提高数据描述能力和诊断精度;二是提出球边界偏移判别准则,形成可变的双层边界将超球空间分成三个区域,同时增大对故障样本的敏感性,降低漏检风险;三是引入滑动窗机制批量检测更新样本,减少计算量,并通过调节落入中间区域的样本比例控制虚警率。对离心压缩机喘振过程信号检测的试验结果表明,该算法能够自适应更新模型和阈值,并在极少虚警和漏检的情况下实现压缩机喘振故障的准确高效诊断。