共查询到18条相似文献,搜索用时 140 毫秒
1.
2.
3.
4.
为了能够提高液压泵轴承故障预测的效率,深入地研究了支持向量机在液压泵轴承故障诊断中的预测和应用。提出了遗传模拟退火算法优化的最小二乘支持向量机预测模型,并分别对最小二乘支持向量机和遗传模拟退火算法进行了描述,给出了优化预测模型。通过实例研究,结果表明该方法具有较高的预测精度。 相似文献
5.
6.
焊接是钢结构件生产的主要方法,射线检测法是焊接缺陷的重要检查方法之一,针对焊缝缺陷图像目标边界模糊、灰度不均匀及强噪声的特征,笔者提出了基于主成分分析的模糊支持向量机方法分割焊接缺陷图像。首先,利用主成分分析法降低模糊支持向量机特征向量的维数,去除次要特征分量对支持向量的影响,提高支持向量机的分类速度和精度;然后针对焊接缺陷图像的特征,提出了以3×3窗口为单元的分割算法,将模糊支持向量机引入该系统,进一步降低了噪声对构建最优分类器的不良影响。试验结果表明,对于焊缝缺陷图像,基于主成分分析的模糊支持向量机可以取得较好的分割效果。 相似文献
7.
8.
针对故障诊断中样本缺乏以及样本数据中难免存在噪声等问题,提出了变精度粗糙集与支持向量机杂合的故障诊断方法:先用变精度粗糙集理论提取故障诊断的特征,获得最优决策系统,在此基础上设计了SVM多分类器进行故障诊断。轴承故障诊断的仿真结果验证了变精度粗糙集理论与支持向量机杂合的诊断方法的可行性。 相似文献
9.
10.
为了提高刮板输送机故障诊断准确度,降低事故发生率,分析了刮板输送机常见的故障,研究了基于支持向量机的刮板输送机故障分类,介绍了刮板输送机故障数据处理方法以及基于SVM的故障诊断流程,并对支持向量机参数进行了选择,采用网格搜索交叉法得到模型的最佳参数模型,使用该模型对刮板输送机故障数据进行预测。研究表明,采用支持向量机和网格搜索交叉法相结合的方法,可以对刮板输送机故障进行有效诊断。 相似文献
11.
12.
针对传统EMD易产生模态混叠,原始SVM、RVM方法存在核函数选取困难、识别效率低等问题,提出一种基于变分模态分解(VMD)、排列熵(PE)以及混合蝙蝠算法(BA)优化的多分类相关向量机(M-RVM)的轴承故障智能诊断方法。首先,VMD分解故障信号,获得本征模态函数(IMF);然后将PE用于IMF的故障特征提取过程,形成特征序列;最后,将所得的特征序列输入基于混合BA优化的M-RVM故障诊断模型,对不同故障进行分类识别。对试验数据的分析结果表明,基于VMD-PE与M-RVM的滚动轴承故障诊断可以提高轴承故障诊断的准确度。 相似文献
13.
针对滚动轴承故障振动信号含噪声多、复杂程度高的特点,为实现准确的故障诊断,提出一种基于多尺度模糊熵(MFE)的滚动轴承故障诊断方法。由于LCD方法可以起到降噪的作用,故选用LCD分解后的ISC分量作为粗粒序列,计算分量的MFE。将MFE计算得到的特征参数输入到极限学习机(ELM)分类器中,分类识别滚动轴承的4种状态。实验结果表明,该方法可以有效地提取出滚动轴承的故障特征,实现故障诊断。 相似文献
14.
Hilbert变换在滚动轴承故障诊断中的应用 总被引:3,自引:2,他引:1
针对滚动轴承故障特征的提取问题,讨论了Hilbert变换的基本原理,以及基于Hilbert变换的包络解调方法在滚动轴承故障诊断中的应用,并用LabVIEW编制了相应的程序。实践表明,基于Hilbert变换的包络解调方法具有明显的诊断意义。 相似文献
15.
齿辊式破碎机中实际运行中电机轴承的振动信号耦合严重,故障脉冲往往显得微弱,故障识别难度大,特别是滚动体和内圈故障的区分。将图像纹理特征提取技术引入故障诊断,提出一种基于时频图像的轴承故障特征提取方法。首先,将聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)加入Wigner-Ville时频分析(Wigner-Ville Distribution,WVD)中获得无交叉项干扰的振动时频表征;其次,引入局部二值模式(Local Binary Patterns,LBP)增强时频灰度图像纹理特征,生成对应的LBP谱图;接着,以LBP灰度直方图作为特征量,压缩特征维数后利用主成分分析法(Principal Components Analysis,PCA)约减特征量;最后,将低维特征量输入BP神经网络进行故障分类。在轴承故障诊断实验中,通过和其他算法的对比分析验证了该方法具有较高的故障识别精度,且99.5%的精度充分说明了方法有效性,为准确提取齿辊式破碎机中电机的轴承故障特征提供了一种可靠手段。 相似文献
16.
为了实现对滚动轴承故障位置和损伤程度的准确定位,将类别判别信息引入到无监督的稀疏编码中,提出一种有监督稀疏编码(Supervised Sparse Coding,SSC)方法,建立基于希尔伯特黄变换(Hilbert-Huang Transform,HHT)和SSC的振动信号特征提取和故障状态精细分类模型。首先,通过HHT获取振动信号的边际谱,然后,利用SSC为边际谱信息建立统一的字典库,并完成对边际谱的稀疏表示,实现干扰信息的滤除和故障目标敏感特征的二次提取,最后,使用SSC得到的稀疏系数完成对支持向量基(Support Vector Machine,SVM)分类器的训练。采用SKF-6205-2RS轴承试验台数据对提出方法进行实验分析,使用HHT-SSC-SVM模型,驱动端轴承故障状态识别率为99.5%,风扇端轴承故障状态识别率为98.25%,与文中其他模型相比,在故障状态识别率上有所提高,并且表现出来较强的适应能力。 相似文献
17.
18.
基于小波包分析和高阶模糊神经网络的滚动轴承故障诊断 总被引:1,自引:1,他引:0
滚动轴承是旋转机械中最易发生故障的元件之一,提出了一种基于小波包分析和高阶模糊BP神经网络的滚动轴承故障诊断新方法。该方法的具体诊断过程:采用小波包分解的方法提取样本信号各频段的Shannon熵值并结合其他一些量化指标,经筛选后作为特征向量输入滚动轴承故障诊断高阶模糊神经网络,对该网络进行训练与检验。实验表明这种方法与传统方法相比,在收敛速度及对训练总误差控制方面具有更大的优越性。 相似文献