刘永亮
- 作品数：13 被引量：65H指数：5
- 供职机构：内蒙古科技大学机械工程学院更多>>
- 发文基金：国家自然科学基金内蒙古自治区自然科学基金内蒙古自治区高等学校科学研究项目更多>>
- 相关领域：机械工程金属学及工艺自动化与计算机技术更多>>
- 基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法研究被引量：13
- 2016年
- 针对滚动轴承故障诊断中特征向量难以提取与支持向量机结构参数选取依据经验的问题,提出了基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法。首先,采用小波包对采集的滚动轴承各状态下的信号进行分解,获取表征信号局部特征的各节点系数,在此基础上构建各节点系数矩阵并进行奇异值分解,来获取特征向量进而将其作为故障诊断模型的输入;其次,利用遗传算法(GA)优化支持向量机(SVM)的惩罚系数和高斯核系数两个结构参数;最后,将上述特征向量作为输入,建立GA优化SVM的故障诊断模型,实现滚动轴承的状态辨识。实验结果表明,与BP、SVM、PSOSVM相比,基于小波包与奇异值分解的GA优化SVM滚动轴承故障诊断方法具有更高的分类精度,能够提高滚动轴承状态辨识的效果。
- 秦波刘永亮王建国李文卿
- 关键词：小波包奇异值滚动轴承
- 基于K-L散度与PSO-SVM的齿轮故障诊断被引量：3
- 2017年
- 针对表征齿轮故障信号特征难提取及支持向量机结构参数基于经验选取,致使故障状态识别精度差的问题,提出了一种基于K-L散度与PSO-SVM的齿轮故障诊断方法。首先,用经验模式分解(EMD)将齿轮振动信号筛分为多个本征模式分量(IMF);然后,选取包含有信号主要特征的IMF并求其与无故障原信号的K-L散度值;其次,利用粒子群算法(PSO)优化支持向量机(SVM)的惩罚系数和高斯核宽度系数两个结构参数,在此基础上建立齿轮故障分类模型;并利用实验齿轮数据验证方法的有效性,结果表明,与TF-SVM、TF-PSO-SVM、K-L-SVM方法相比,基于K-L散度与PSOSVM的齿轮故障诊断方法具有更高的精度。
- 秦波刘永亮王建国杨云中
- 关键词：经验模式分解粒子群算法支持向量机齿轮故障诊断
- 基于相空间奇异值分解与AFSA-SVM的齿轮故障诊断方法被引量：3
- 2016年
- 针对表征齿轮故障信息的特征难提取与支持向量机的结构参数基于经验选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于相空间奇异值分解与AFSA-SVM的齿轮故障诊断方法。该方法首先将齿轮振动信号进行相空间重构,并对重构矩阵进行奇异值分解得到奇异值特征向量;其次,利用人工鱼群算法优化支持向量机的惩罚系数与高斯核宽度系数,建立AFSA-SVM的齿轮故障分类模型;最后,将奇异值特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明:与基于BP、SVM和PSO-SVM的故障分类方法相比,基于相空间奇异值分解与AFSASVM的齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。
- 秦波刘永亮王建国杨云中
- 关键词：奇异值人工鱼群算法
- 基于Hilbert包络谱奇异值和IPSO-SVM的滚动轴承故障诊断研究被引量：7
- 2017年
- 针对表征滚动轴承故障信号特征难提取及支持向量机结构参数依据经验选取,致使故障分类模型的精度、泛化能力差的问题,提出一种基于Hilbert包络谱奇异值和改进粒子群(Improved particle swarm optimization,IPSO)优化支持向量机(Support vector machine,SVM)的滚动轴承状态辨识方法。首先,利用经验模态分解(Empirical mode decomposition,EMD)所采集的滚动轴承信号,并将所获相关程度较大的本征模式分量(Intrinsic mode function,IMF)进行Hilbert解调包络分析来获取包络矩阵,并在此基础上进行奇异值分解。其次,利用IPSO算法优化SVM的惩罚系数和高斯核系数两个结构参数,据此建立滚动轴承故障分类模型;并利用美国凯斯西储大学轴承数据验证了方法的有效性。实验结果表明:与基于BP、SVM的故障分类模型相比,Hilbert包络谱奇异值和IPSO优化SVM的滚动轴承故障诊断分类模型具有更高的精度、更强的泛化能力。
- 秦波孙国栋张利强刘永亮张超王建国
- 关键词：EMDIMF改进粒子群算法滚动轴承
- 基于在线贯序极限学习机的齿轮故障诊断方法被引量：2
- 2016年
- 针对表征齿轮故障信息的特征难提取与极限学习机无法处理随时间变化的信息流,致使齿轮故障分类模型精度差、泛化能力弱的问题,提出一种基于在线贯序极限学习机的齿轮故障诊断方法。该方法首先将齿轮振动信号进行相空间重构,并对重构矩阵进行奇异值分解得到奇异值特征向量;其次,建立在线贯序极限学习机的齿轮故障分类模型,并将奇异值特征向量作为模型输入进行齿轮不同故障状态的辨识。实验结果表明:与基于BP、SVM与ELM的故障分类方法相比,基于基于在线贯序极限学习机的齿轮故障诊断方法具有更快的学习速度、更高的分类精度与更强的泛化能力。
- 秦波刘永亮王建国杨云中
- 关键词：相空间重构奇异值齿轮故障诊断
- 基于两类特征和最小二乘支持向量机的齿轮故障诊断方法被引量：4
- 2016年
- 针对齿轮振动信号非线性非平稳特性,为避免传统"时-频"分析方法在表征设备状态时的不足和样本数量少易造成故障辨识模型"欠学习"的问题,提出一种基于峭度、本征模式分量(Intrinsic mode function,IMF)能量两类特征和最小二乘支持向量机(Least squares support vector machine,LS-SVM)的齿轮故障诊断方法。首先,对所测齿轮振动信号在集合经验模式分解(Ensemble empirical mode decomposition,EEMD)的基础上提取有效IMF分量计算其能量特征和峭度值,据此构建时频域两类特征向量;其次,将融合后的齿轮正常、齿根裂纹、断齿3种状态下的时频域两类特征向量作为输入,基于LS-SVM建立齿轮故障诊断模型,进行齿轮故障识别。实验结果表明,该方法能够准确地识别齿轮的工作状态,与基于BP、SVM的故障诊断模型相比,其具有更高的识别率,为齿轮状态识别和故障诊断提供了一种新途径。
- 秦波杨云中陈敏郭伟刘永亮王建国
- 关键词：峭度最小二乘支持向量机齿轮故障诊断
- 基于峭度与IMF能量融合特征和LS-SVM的齿轮故障诊断研究被引量：7
- 2016年
- 针对齿轮振动信号非线性非平稳特性,为避免传统时频方法在表征设备状态时的不足,提出一种基于融合峭度与IMF能量特征和LS-SVM的齿轮故障诊断方法。首先,对齿轮振动信号在EMD分解;然后,提取包含主要故障信息的IMF分量的峭度特征和能量特征,组成融合特征向量;最后,将齿轮正常、齿根裂纹、断齿3种状态下的融合特征向量输入到LS-SVM,通过训练好的LS-SVM对齿轮状态进行分类识别。仿真实验结果表明:该方法能准确识别齿轮的工作状态,且与BP神经网络、SVM相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。
- 王建国杨云中秦波刘永亮
- 关键词：最小二乘支持向量机故障诊断
- 基于小波包自相关的能量算子旋转机械故障诊断被引量：2
- 2016年
- 针对在强噪声背景下轴承振动信号的非线性,非平稳性以及信号出现的复杂调制现象,提出一种基于小波包熵与自相关函数相结合的能量算子解调故障诊断方法。该方法首先根据信号的小波包熵值对信号小波包降噪,其次用自相关函数分析的方法进一步抑制噪声对提取特征频率的干扰,最后对降噪处理过的信号进行能量算子解调,从而实现提取轴承的故障信号的幅值和频率信息。对机械故障振动信号进行实验分析表明,相对于单纯的小波包分析预处理存在的降噪效果不理想以及普通Hilbert解调法的运算精度满足不了诊断需求的情况,该方法能够有效解调出故障频率信息,实现对故障类别的推断。
- 王建国王戈王少锋张玉皓刘永亮仲济祥
- 关键词：自相关函数能量算子调制解调故障诊断
- 基于奇异值差分谱降噪与经验模式分解的滚动轴承故障特征提取方法被引量：4
- 2016年
- 针对滚动轴承振动信号含有大量噪声且具有非线性、非平稳特性致使故障特征难提取的问题,提出一种基于奇异值差分谱降噪与经验模式分解(EMD)相结合的滚动轴承故障特征提取方法。首先,将滚动轴承振动信号在相空间重构的基础上利用奇异值差分谱完成降噪;其次,将降噪后的信号经EMD筛分为多个含有信号局部特征的本征模式分量(IMF);最后对与原信号相关度最大的IMF进行Hilbert包络解调,进而提取故障特征频率。实验结果表明:该方法不仅有效去除信号噪声,而且准确提取滚动轴承的故障特征。
- 秦波刘永亮王建国杨云中马俊平郭慧丽
- 关键词：EMD滚动轴承特征提取
- 基于EMD与多特征的支持向量机故障诊断被引量：2
- 2015年
- 针对齿轮振动信号的非线性、非平稳性与故障分类识别率低的问题,提出了一种基于EMD(经验模态分解)与多特征的支持向量机(SVM)故障诊断方法。该方法首先将采集到的信号进行小波包降噪;然后提取降噪后信号的各项时域参数指标;同时,将降噪信号经过EMD运算并提取以互相关准则选取的各本征模式分量(IMF)的能量指标;最后,将两部分特征向量组合后作为SVM的输入进行训练与预测。实验结果表明,该方法对于齿轮状态具有很好的分类精确度,能很好地应用于齿轮的故障诊断。
- 王建国刘永亮秦波杨云中
- 关键词：小波包EMDIMF支持向量机故障诊断
