基于铁路信号的故障诊断和分类技术研究 SVM算法

1、有数据集 2、有SCA代码 3、装好库直接运行

３．３　智能故障诊断算法 飞机ＰＨＭ系统智能故障诊断算法依赖于人 工智能技术，常用的智能诊断方法有以下４种。 １）基于神经网络的故障诊断 将系统正常工作检测到的数据进行数据预处 理，提 取 出 特 征 量，离 线 输 入 到 神 经 网 络 进 行 学 习，获得神经网络权值，该神经网络作为系统正常 的模型［２３］。当实际系统运行时，检测系统进行处 理后与神经网络比较，当系统输出与神经网络输 出之差超出阈值，则可以判断为系统故障，如图６ 所示。 图６　基于神经网络的故障诊断 Ｆｉｇ．６　Ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ 　 　　２）基于支持向量机的故障诊断 支 持 向 量 机 （Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅｓ， ＳＶＭ）是建立 在 结 构 风 险 最 小 化 的 原 则 基 础 上， 追求有限样本下最优解的方法。ＳＶＭ 用 于 故 障 诊断实质上是一个分类问题，它根据飞机运行过 程中产生的各种信息（如振动频谱、波形特征、相 关运行参数等），判断其是否有故障，并判断故障 产生的原因和部位。采用ＳＶＭ 能在训练样本很 小的情况下很好的达到分类推广的目的，而且不 需要预先知道故障分类的先验知识，如图７所示。 图中Ｒ１、Ｒ２ 和Ｒ３ 分别为３个故障区域；ω１、ω２ 和 ω３ 分别为Ｒ１、Ｒ２ 和Ｒ３ 的权值。 图７　支持向量机故障分类 　Ｆｉｇ．７　Ｆａｕｌｔ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ ｍａｃｈｉｎｅ（ＳＶＭ） ３）多传感器信息融合故障诊断 信息融合是将多源信息加以智能合 成，产 生 比单一信息源更精确、更完全的估计和判决。多 传感器信 息 融 合 方 法 包 括 基 于 权 系 数 的 融 合 方 法、基于参数 估 计 的 信 息 融 合 方 法、基 于 Ｄ－Ｓ推 理理论的融 合 方 法、基 于 Ｋａｌｍａｎ滤 波 的 融 合 方 法、基于模糊神经网络的融合方法和基于粗糙集 理论的融合方法等［２４］，ＰＨＭ 系统常采用的混 合 式信息融合结构如图８所示。 图８所示结 构 可 以 同 时 进 行 原 始 传 感 器 数 据和特征 数 据 的 融 合，在 数 据 融 合 的 过 程 中 可 以根据 需 要 从 原 始 传 感 器 信 号 中 寻 找 有 用 信 息，进而 有 效 提 高 运 算 结 果 精 度。然 后 再 采 用 独立故障 分 类 算 法 对 特 征 信 号 进 行 处 理，实 现 故障隔离。 ４）模糊逻辑推理 模糊逻辑推理基于隶属度函数将系统输入进 行融合，产生输出［２５］。在完成了隶属度函数度量 之后，通过诸如求和或求最大值等方法将不同隶 属度函数融合在一起，最终利用融合后的隶属度 函数计算融合输出结果，如图９所示。

【故障诊断分析】滚动轴承故障诊断系统含Matlab源码

故障诊断代码 matlab

液压设备的故障诊断与维修

亲测有效，含运行结果

这是深度收缩残差网络的pytorch版本的完整实现。数据集为江南大学轴承数据集。

用于故障诊断的胶囊网络 最大训练>99% 最大测试>98% 原始振动信号经过滑动窗口采样归一化后成为32x32的图像，再经过数据增强后输入到胶囊网络中。这是纯破胶囊网络的代码实现。由于胶囊网络的参数约为8558848，所以在我的970m GPU上训练需要很长时间。但是准确率还是很高的。 一般的组合模型可以达到很高的准确率，但需要重新设计卷积核的大小，使用一维卷积。所有这些都需要通过debug来实现，目前还没有实现。现在胶囊网络故障诊断一般结合inception或者bilstm。

（python）论文“时变转速下基于改进图注意力网络的轴承半监督故障诊断”源码