排序方式: 共有110条查询结果,搜索用时 0 毫秒
1.
2.
3.
4.
5.
多分类器融合能有效集成多种分类算法的优势,实现优势互补,提高智能诊断模型的稳健性和诊断精度。但在利用多数投票法构建多分类器融合决策系统时,要求成员分类器数目多于要识别的设备状态数,否则会出现无法融合的情况。针对此问题,提出了一种基于二叉树的多分类器融合算法,利用二叉树将多类分类问题转化为多个二值分类问题,从而各个节点上的成员分类器个数只要大于2即可,有效避免了成员分类器数目不足的问题。实验结果表明,相比单一分类器的诊断方法,该方法能有效地实现滚动轴承故障智能诊断,并具有对各神经网络初始值不敏感、识别率高且稳定等优势。 相似文献
6.
7.
8.
非局部均值算法(NLM)是活跃于图像信号处理领域的一种新方法,因其良好的去噪特性,近几年来在滚动轴承故障诊断领域也开始获得应用。NLM利用样本点邻域窗口包含的局部结构为基本单元,通过对相似成分加权运算后取其平均值以达到抑制噪声干扰、突出故障冲击特征的目的。但对于强噪声条件下的低信噪比信号而言,NLM滤波效果并不理想。提出一种结合谱峭度(SK)和NLM权重包络谱的故障诊断方法,首先对原始信号进行SK分析得到最优中心频率及带宽构成最优滤波器,初步消除环境干扰及测量噪声;其次对NLM算法进行改进,不再以滤波信号为分析对象,而是直接利用NLM加权运算得到的信号样本点权值分布曲线作为预处理信号的包络信号,从权重角度使故障冲击得到二次增强,消除SK带通滤波器的带内噪声;最后对权值分布曲线进行包络谱分析,进而得到诊断结果。通过仿真信号、实验室信号及工程实际信号分析对所提方法进行了验证,并与最小熵解卷积(MED)进行了对比。 相似文献
9.
基于时变自回归模型与支持向量机的旋转机械故障诊断方法 总被引:1,自引:0,他引:1
旋转机械如电机振动信号普遍存在非平稳性,同时对于某台设备已有的故障样本往往非常有限的。针对这些问题,提出一种基于时变参数自回归模型和支持向量机相结合的旋转机械故障诊断方法。首先通过对振动信号建立TVAR模型,提取模型系数及残差的方差作为信号特征,然后利用SVM对信号进行分类,继而实现故障自动识别。转子实验台实验结果表明该文方法能够有效提取非平稳信号的特征,并能在较少训练样本的情况下获得较好的诊断结果。 相似文献
10.