提出一种基于时间序列的自回归(AR)模型和支持向量机故障识别方法.以液压调速阀的故障识别为例,利用采集到的调速阀体的振动信号建立AR模型;然后,将AR模型自回归系数和残差方差组成的特征向量输入到支持向量机.最后,通过支持向量机完成对调速阀的正常和各种故障工况的分类识别.实验结果和分析表明,识别率不仅与核函数的选取有关系,而且与支持向量机参数的选取也有关系,以径向基RBF为核函数的识别率明显优于以多项式形式为核函数的识别率.

为了辨识调速阀的工作状态,文章建立了调速阀不同工作状态采集信号的时间序列AR模型,绘制了AR三谱及其切片谱图,分析了调速阀正常工作状态与不同故障状态下的动力学性能变化,分析了各切片谱的关联维数变化。分析结果表明,三谱及其切片谱能直观反映调速阀的不同工作状态变化,适合用于调速阀的故障诊断,各切片谱及其关联维数在反映系统动力学特性方面存在对应关系,适合于调速阀的定量和定性相结合的故障诊断分析。

利用小波包分别提取调速阀振动时的正常信号和故障信号的AR功率谱的特征值,之后利用提取的特征值作为LSSVM的输入,对调速阀的故障进行诊断,取得了良好效果,并与原始信号的效果进行了对比,并阐明了原因。

本文提出了一种使用最小支持向量机检测溢流阀故障信号的方法。通过提取溢流阀振动时的正常信号和故障信号,在此基础上进行了AR建模,并由建立的模型获取了信号的AR参数,之后利用这些参数作为最小支持向量机的输入进行故障辨识,取得了令人满意的结果。

提出一种使用BP神经网络检测减压阀故障信号的方法。通过提取减压阀振动时的正常信号和故障信号的均值、标准差、偏度和峰度,作为特征值对建立的BP网络进行训练,再进行故障辨识,取得了令人满意的结果。实验结果证明,利用BP网络进行机械故障检测是可行的。

将高阶谱和支持向量机相结合，提取不同工作状态下溢流阀的信息并进行分析，将不同状态下的功率谱经过处理作为支持向量机的输入，在SVM中训练，建立不同特征的参数向量和故障类型的映射关系，从而达到故障诊断的目的。实验结果表明：该方法简单有效，并具有较高的故障识别能力。

基于液压溢流阀体工况提出一种振动频率特性的故障诊断方法.利用溢流阀体振动信号的相关性、自回归模型的参数和功率谱特性获得故障的突变信息从而确认溢流阀的工作状态为液压系统故障的诊断提供判断依据.测试系统采用LabVIEW虚拟仪器构建并通过计算机自动完成测试和分析.实验结果表明正常状态和故障状态下的电压信号没有明显的趋势是一种平稳时间序列;有故障时相关函数衰减比正常状态慢但都不够明显;正常状态和故障状态下的特征根分布明显不同故障状态下的系统可能处于某种稳定状态;正常状态的自回归（AR）功率谱比任何一种溢流阀常见故障的功率谱都低.

研究关联维数在减压阀和调速阀故障诊断中的应用，并针对故障诊断的实际情况，对采集到的信号进行分析，提出将关联维数用于液压元件故障诊断的技术路线及方法．结果表明，不同故障的液压阀产生机制不同，通常也具有不同的关联维数，故关联维数可用于故障的特征提取．正常情况下，位移和加速度参量的关联维数D2〈2；而在故障情况下，所得到的关联维数D2〉2．通过分析加速度的关联维数，可以判断被测液压元件是否存在故障．

为解决故障诊断中确定最优的自回归（AR）模型阶数的问题，运用最终预测误差（FPE）、阿凯克信息准则（AIC）、贝叶斯信息准则（BIC），以及奇异值分解（SVD）的切片法和Frobenius法共5种定阶方法对调速阀的故障进行自回归模型定阶实验．结果表明，FPE，AIC，BIC及SVD切片法确定的阶数较低，而用SVDFrobenius法确定的阶数较高．通过不同阶数、不同故障的调速阀故障诊断实验可知，用SVDFrobenius法建立的AR模型效果优于其他方法．

提出一种基于时间序列的自回归（AR）模型和支持向量机故障识别方法.以液压调速阀的故障识别为例,利用采集到的调速阀体的振动信号建立AR模型;然后,将AR模型自回归系数和残差方差组成的特征向量输入到支持向量机.最后,通过支持向量机完成对调速阀的正常和各种故障工况的分类识别.实验结果和分析表明,识别率不仅与核函数的选取有关系,而且与支持向量机参数的选取也有关系,以径向基RBF为核函数的识别率明显优于以多项式形式为核函数的识别率.