基于全信息小波包和支持向量机的旋转机械故障诊断

Rotary Machinery Fault Diagnosis Based on Full Information Wavelet Packet and Support Vector Machine

董辛曼 韩捷 石来德 郝伟

针对传统旋转机械单通道故障诊断的信息不完整以及缺少故障样本等问题，提出了基于全信息小波包和支持向量机的旋转机械故障诊断方法。运用小波包频道能量分解技术提取了全信息能量特征向量，以此作为支持向量机多故障分类器的故障样本，经训练的分类器作为故障智能分类器可对设备工作状态进行自动识别和诊断。实验研究表明：基于全信息小波包和支持向量机的故障诊断方法能准确、有效地对旋转机械的工作状态和故障类型进行分类，显著提高了故障诊断的准确率。

基于均匀设计的选择性映射旋转向量序列生成算法

Generation Algorithm of Rotation Vector Sequences in SLM Based on Uniform Design

王可 郝久玉 王蕾 李惠敏

选择性映射（SLM）技术中的相位旋转向量是影响其性能的关键因素．通过对SLM旋转向量的分析，提出了一种旋转向量序列生成算法．该算法引入了部分因子设计，通过查均匀表生成旋转向量矩阵，简单且易于实现．仿真结果表明，与传统SLM算法相比，该算法不增加任何系统复杂度，在子载波数为16，峰均功率比门限值为4．5dB时获得了0．25dB的性能改进．对于子载波数较多（如1024）的环境，该算法依然有效．

基于二叉树的支持向量机旋转机械故障诊断方法

Rotating machinery fault diagnosis method of support vector machine based on binary tree

孙林 付静

支持向量机理论最初是针对两类模式识别问题而提出的。在故障诊断领域，多类故障诊断问题更为普遍。针对支持向量机常用的多类分类算法进行了分析，在此基础上提出了一种基于聚类思想的二叉树多类分类算法，并运用该算法对转子模拟试验台几种典型的故障进行了模式识别，实验结果表明新方法能有效地、准确地识别故障模式，比较符合实际工程要求，具有较高的推广性能。

基于支持向量机的旋转机械故障诊断

赵冲冲 廖明夫 于潇

把支持向量机应用于诊断旋转机械不平衡和转静碰摩故障，利用转子故障实验器分别对多项式和径向基核函数进行了实验比较，选取了不同振动参数作为特征量输入支持向量机进行学习和测试。结果表明．两种不同核函数的支持向量机在各种条件下所获得的最优故障诊断准确率很接近。这说明支持向量机的性能对结构（核函数）的依赖性很小，便于在工程中应用，但特征量的选取对故障诊断准确率影响很大。对于诊断不平衡和转静碰摩故障．一、二和三阶正、反进动量是最适合的故障诊断特征量。用正、反进动量构造出SV-进动图，可明确、形象地显示故障分类面，有助于诊断故障。

基于主元-双谱支持向量机的旋转机械故障诊断方法

刘占生 窦唯 王晓伟

提出一种基于主元-双谱支持向量机的旋转机械故障诊断方法，该方法具有对故障在线监测分类和故障分类能力强的优点，能有效地从汽轮机故障的非平稳、非高斯时变信号中提取状态特征。首先研究了直接法、间接法及ARMA模型法的双谱估计特征，然后利用双谱分析主元数字特征提取技术提取这些特征，最后利用支持向量机对汽轮机小样本故障进行分类，较好地解决了故障样本不足的实际问题。诊断结果表明与常用的BP神经网络相比可以获得较高的诊断精度。

用支持向量机实现尺度和旋转不变性纹理分类

蒋金山 余英林

提出了一种简单的尺度和旋转不变性纹理分类方法．首先使用对数-极坐标变换对要分类的各纹理图像进行变换，生成对数-极坐标图像；然后以对数-极坐标图像的正则化以后的行投影数据向量构成纹理图像的特征向量；最后运用支持向量机实现尺度和旋转不变性纹理图像的分类．实验结果表明，该方法在尺度和旋转不变性纹理图像的分类中，准确率可达90％以上．

基于小波包能量特征向量神经网络的旋转机械故障诊断

Fault Diagnosis of Rotation Machine Based on Wavelet Packet Energy Eigenvector Neural Network

唐贵基 范德功 胡爱军 王誉容

为精确诊断旋转机械的故障，提出一种基于小波包特征向量的神经网络故障诊断方法。用转子台信号模拟旋转机械故障，并对采集到的信号进行3层小波包分解，构造小波包特征向量，并以此为故障样本对3层BP网络进行训练，实现智能化故障诊断。实验结果表明训练好的神经网络能够很好地诊断出转子台故障类型，为旋转机械的故障诊断提供了新方向。