针对液压机械驱动齿轮组故障诊断结果精准度不佳、可靠性差等问题,本文提出基于SVM的液压机械驱动齿轮组故障诊断研究。采集了液压机械驱动齿轮组振动信号,构建液压机械驱动齿轮组故障信号分离模型;运用低秩算法分离液压机械驱动齿轮箱振源信号,设计齿轮组故障信号约束条件,完成液压机械驱动齿轮组分类;根据分类结果,采用SDAE模型提取液压机械驱动齿轮组故障特征,并将提取结果输入到支持向量机内训练,其最终输出结果就是最佳诊断结果,实现基于SVM的液压机械驱动齿轮组故障诊断研究。实验结果表明,通过对该方法开展故障检测及故障诊断测试,本文方法下分类错误率不超过3.5%,验证了该方法的可行性高。

利用声信号对往复泵进行状态监测,针对往复泵的声信号是具有非平稳性、非线性等复杂特征的信号,采用多重分形去趋势波动分析(MFDFA)计算时间序列声信号的多重分形谱,并提取作为故障特征量。分别用支持向量机(SVM)、遗传算法(GA)改进的SVM、混合蛙跳算法(SFLA)改进的SVM进行故障识别。通过实验测取往复泵的原始信息信号并分析,验证了声信号的波动呈现明显的多重分形特性,可以有效区分正常状态与故障状态,对比研究三种识别方法表明了基于混合蛙跳算法优化(SFLA)改进的支持向量机识别效果最好,基于MFDFA和SFLA-SVM相结合的故障诊断方法能准确地提高往复泵泵阀的故障诊断准确率,是往复泵故障诊断方法的一种新的有效方法。

准确提取振动信号特征,是齿轮故障诊断的关键问题。为此,提出了一种基于S变换能量分布特征和SVM的故障诊断方法。首先对齿轮故障信号进行S变换得到时频矩阵,然后利用该矩阵构建能量分布特征。最后建立SVM齿轮故障识别模型,将对应的特征样本输入到模型中进行训练和识别,以达到对齿轮故障的准确分类。将所提出的方法应用于齿轮故障检测和诊断。通过实际故障实验数据对所提方法进行了验证。结果表明,该方法能够有效地降低噪声的影响,能够准确地识别齿轮故障,具有较高的准确率和使用价值。

针对柱塞泵故障特征难以提取、故障分类困难、故障诊断准确度不高的问题,提出局部均值分解(LMD)样本熵和支持向量机(SVM)结合的柱塞泵故障诊断方法研究。采集柱塞泵四种状态(正常、松靴、配流盘磨损、滑靴磨损)的多测点振动信号,将振动信号进行LMD分解和重构,提取重构信号的样本熵与原始信号标准差作为特征向量,将其输入SVM中进行训练和诊断,并与原始信号的特征向量诊断结果进行比较,诊断准确度可达99.5%以上。最后将SVM诊断结果与BP神经网络进行比较,结果表明SVM具有更高的速度和准确度。

针对难以从转辙机柱塞泵的非线性振动信号中有效提取故障特征以及各分量之间存在模态混叠现象等问题,提出了一种非线性自适应正交经验模态分解(Kernel Principal Empirical Mode Decomposition,KPEMD)与向量加权平均算法优化的支持向量机(INFO-SVM)结合的故障诊断方法。首先通过KPEMD方法将原始信号分解为多个IMF分量,根据相关系数筛选出故障信息丰富的敏感分量;其次提取敏感分量的时域频域特征及能量熵构造混合特征样本集;最后输入到INFO-SVM多分类器中进行故障识别。利用柱塞泵实验数据进行对比分析,结果表明:KPEMD能够有效减弱模态混叠现象,充分提取故障信息,INFO优化SVM的识别准确率优于其它常用算法的优化结果。本方法能有效识别出转辙机柱塞泵的不同故障类型,诊断准确率达到98%。

工程机械液压系统发生冲击故障时,液压冲击引起的振动信号包含了大量的故障信息。该文针对液压冲击产生的振动信号,通过EEMD方法计算有效IMF分量的能量分布作为振动信号的特征向量,研究了基于SVM分类预测的典型冲击振动信号的高维大样本的分类识别,比较了不同SVM分类器的分类识别效果。结果表明:基于EEMD和SVM相结合的方法可有效进行高维大样本条件下液压系统冲击振动信号分类识别,能实现液压系统冲击振动信号的智能诊断。

支持向量机（SVM）在解决小样本、非线性及高维问题方面表现突出,支持向量回归（SVR）目前被广泛应用于设备状态趋势预测中用于故障定量分析。故障预测用于定性分析的相对较少,为进一步提高其预测精度,结合基于同源信息融合的全矢谱技术进行倍频成分预测。该方法采用全矢谱技术融合双通道信息,相比传统单通道信号提取方法,保障了SVR预测数据特征提取的完整性,提高预测精度。对特征频率进行分别预测,然后重新生成预测的频谱图。该方法应用于某电厂1号汽轮机振动数据的预测,实验结果表明,全矢支持向量回归（FVSVR）频谱成分预测方法具有较高的预测精度,可以对一些故障定性分析。

考虑制造企业供应链的绿色内涵,构建供应商排序指标体系。为解决指标数量众多、计算方式复杂、协调困难等问题,构造一种基于SVM和TFN-RS的改进TOPSIS方法来进行供应商排序决策。首先根据候选供应商的主要数据信息,应用基于SVM的分类模型对其进行初步筛选,以缩小候选供应商数量;通过专家对准则下属指标进行考察和掌握,利用专家的智慧和经验对准则进行TFN评分,设计一种TFN-RS方法来计算供应商在准则上的分值;运用CRITIC方法对各准则进行赋权;最后通过相对熵替代欧氏距离的改进TOPSIS对各供应商进行排序。以某轴承制造企业的滚球供应商排序决策为例,验证了该方法的实用效果。

针对目前制造过程中出现的多元过程的质量异常现象,文中整合了多元移动加权平均（MEWMA）控制图和支持向 量机（SVM ）,以原始数据与其特征值分别作为分类器的输入向量,建立一种针对多元过程的质量诊断模型.该模型主要有两个阶段,第一阶段利用MEWMA控制图对输入样本进行监测,当控制图报警时进入第二阶段,对造成报警的样本及其特征 值利用SVM进行分类诊断.最后以发动机缸体曲轴孔的加工为例验证该模型的有效性.

通过采集2种磨损程度不同的同类型刀具加工工件时机床主轴的振动信号，提出WPD—EMD和SVM故障诊断模型判断刀具磨损程度。首先利用小波包工具去除高频噪声信号，其次利用EMD分解得到若干个固有模态函数和一个残差，计算各个固有模态函数和EMD分解前信号的相关系数，合并相关系数大的固有模态函数得到新信号。计算新信号的绝对均值作为时域特征参数。选取若干组试验数据作为支持向量机训练集，建立判断刀具磨损程度大小的故障诊断模型。试验表明该故障模型预测刀具磨损程度准确率100％，为判断刀具实时加工工件的磨损程度提供新的途径。