滚动轴承故障小波核函数SVM分类识别研究 |
| |
引用本文: | 周厚金,楼军伟,胡赤兵.滚动轴承故障小波核函数SVM分类识别研究[J].制造业自动化,2014(10):48-51,86. |
| |
作者姓名: | 周厚金 楼军伟 胡赤兵 |
| |
作者单位: | 兰州理工大学高新技术成果转化中心;兰州理工大学机电工程学院; |
| |
基金项目: | 甘肃省科技支撑计划资助(1204GKCA068) |
| |
摘 要: | 支持向量机(Support Vector Machine,简称SVM)是通过核函数来分类识别非线性样本的,为了提高SVM的分类识别精度,基于平移不变核函数条件,构造和证明了墨西哥草帽小波核函数SVM。实验中采集了轴承正常和内圈、外圈、滚动体点蚀的故障数据,利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)和样本熵提取了故障特征信息,将EEMD样本熵作为小波核函数SVM的特征向量进行故障分类识别,并与径向基核函数SVM的分类识别结果进行比较,比较结果表明小波核函数SVM的分类识别准确性更高。
|
关 键 词: | 滚动轴承 EEMD 样本熵 SVM 小波核函数 分类识别 |
本文献已被 CNKI 等数据库收录! |
|