排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
针对柴油机系统故障特征信息微弱、识别率低的问题,提出一种基于多特征提取和核熵成分分析(KECA)的柴油机关键部件故障识别方法。首先对采集的信号经集合经验模态分解重构降噪后提取方差、峭度、方根幅值、峰值因子和排列熵作为特征参量,选择KECA对其高维降成低维特征,最后由支持向量机对新的低维特征进行故障识别,并对比用其他降维方法的分类结果。结果显示:此分类结果显著比其他方法好,识别准确率为96.67%,说明本文所提方法可对柴油机关键部件进行故障识别,且拥有良好的应用前景。 相似文献
2.
3.
1