基于SVM的旋转机械故障诊断方法OACSCDCSTPCD
Rotating Machinery Fault Diagnosis Method Based on SVM
提取时域与频域共20个特征参数作为数据样本,选择适合旋转机械振动信号的径向基函数及相关参 数,基于一对多法构造支持向量机(SVM)多类分类器,实现旋转机械滚动轴承的故障诊断.通过对振动信号特征进行训练与测试,并与BP神 经网络进行对比结果表明,该SVM多类分类器可较好地解决小样本问题,在训练时间和识别正确率上均优于BP神经网络.
This paper extracts 20 characteristic parameters of time domain and frequency domain as data sample, chooses Radial Basis function(RBF) and related parameters which are suitable for rotating machinery vibration signal, and constructs a one-against-all Support Vector Machine(SVM) multi-class classifier to identify health status of rolling bearing. Compared with Back-propagation(BP) neural network, the SVM classifier with the vibration features of rolling bear…查看全部>>
刘永斌;何清波;张平;孔凡让
中国科学技术大学,合肥230027中国科学技术大学,合肥230027中国科学技术大学,合肥230027中国科学技术大学,合肥230027
信息技术与安全科学
支持向量机特征提取状态识别故障诊断旋转机械
Support Vector Machine(SVM)feature extractionstatus identificationfault diagnosisrotating machinery
《计算机工程》 2012 (5)
强噪声多声源陡畸变高速列车轴承声学诊断理论基础研究
233-235,3
国家自然科学基金资助项目(51075379,51005221)
评论