马田系统与SVM相集成的模式识别技术研究

为了解决现有马田系统阈值确定方法的不足,基于超球面支持向量机算法,构建了单类及二类超椭球面支持向量机算法,并理论上证明了此算法可转换为二次规划模型。推导了基于超椭球面支持向量机的马田系统阈值确定公式。将所提出的方法应用于故障诊断,得到了较高的判别正确率。

基于多特征提取和改进马田系统的滚动轴承故障分类方法研究

为提高旋转机械的使用效率,及时识别滚动轴承的潜在故障,提出一种基于多特征提取和改进马田系统(MTS)的故障分类方法。通过时域、频域和自适应白噪声的完备经验模态分解(CEEMDAN)提取多维特征,构建初始特征集。结合马田系统和有向非循环图(DAG)的特点,构建DAG-MTS多分类模型,并将其运用到轴承故障诊断中。利用滚动轴承故障数据测试该模型的有效性和实用性,结果表明,该模型能够准确识别出滚动轴承的故障。

结合马田系统-SVM的滚动轴承故障模式分类研究

为了有效地确定滚动轴承的故障类型和受损程度,提出了结合马田系统和SVM的滚动轴承故障模式分类方法。利用EEMD方法对原始振动信号进行分解,得到一系列IMF。经过故障敏感IMF选取方法筛选IMF后计算其时域和频域特征参数以及原始信号的能量熵参数,构造初始的多维特征空间。运用马田系统中的正交表和信噪比进行特征降维,得到精简特征空间。接下来使用偏二叉树方法构建支持向量机多分类模型。通过实验数据进行模型验证,结果表明该方法可以实现滚动轴承故障模式分类。

多传感器数据融合的复杂系统退化模式挖掘

退化模式挖掘对复杂系统剩余寿命预测具有重要意义。为了解系统运行状态,掌握其退化规律,提出一种基于时间序列聚类的退化模式挖掘方法。首先,利用改进马田系统筛选并融合多传感器数据特征,构建健康指数来表征系统的退化趋势。然后,采用累积和算法将健康曲线进行分段处理,获取退化曲线,并利用基于动态时间弯曲距离度量的层次聚类算法将退化模式进行归类。最后,以相似度和退化时间为判别依据,对系统的退化模式进行有效识别。以航空发动机为对象的研究表明,该方法能够有效的挖掘和识别退化模式,为复杂系统剩余寿命预测提供依据。