共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
5.
6.
《振动与冲击》2019,(22)
为充分挖掘未标记样本所蕴含的有效信息,进而提升诊断精度,研究提出一种基于变分模态分解(VMD)散布熵与改进灰狼优化支持向量数据描述(SVDD)的轴承半监督故障诊断方法。采用中心频率观察法确定VMD分解模态参数K,进而将原始信号分解为一系列本征模态函数并计算各分量的散布熵值,构成测试样本和部分标记的训练样本;再由半监督模糊C均值(SSFCM)聚类对训练样本进行聚类分析,从而对所得聚类簇进行SVDD建模,同时采用k近邻准则进行决策优化,并由所提自适应变异灰狼算法优化SVDD模型参数;将基于最优参数训练的改进决策SVDD模型用于测试样本的故障模式识别。试验分析和对比结果表明,所提方法具有较好的诊断性能。 相似文献
8.
9.
《振动与冲击》2018,(22)
提出了一种基于变分模态分解(VMD)和支持向量数据描述(SVDD)相结合的滚动轴承性能退化程度定量评估方法。针对采样时间长、采集到的信号数据点多时,信号中某些部分可能受到异常信号干扰的问题,首先提出了一种基于VMD和SVDD结合的特征提取新方法,将长信号分为多帧短信号,分别使用VMD方法分解短信号并提取各分量的奇异值组成特征向量,得到一组特征向量集,然后使用SVDD方法找到并剔除其中的异常样本点,求出剩余特征向量的平均值便可作为原信号的特征。特征提取完毕后,使用SVDD方法进行性能退化评估,以待检样本到训练得到的超球体模型球心的距离描述性能退化程度,并使用隶属函数将距离指标转化为与正常状态的隶属度作为性能退化指标,实现设备的性能退化程度的定量评估。使用轴承全寿命数据,并与以传统时域无量纲指标作为特征的分析结果进行了对比,验证了所提出方法的优越性。 相似文献