基于EMDD信息量和KNP-SVDD的滚动轴承故障诊断研究

本文刊于: 《机电工程》 2021年第0期

关键词:
故障诊断 支持向量机 集合经验模态分解 本征模函数 K相邻概率支持向量数据描述

Keywords:
fault diagnosis,support vector machine(SVM),ensemble empirical mode decomposition(EEMD),intrinsic mode function(IMF),K-neighbor probability support vector data description(KNP-SVDD)
摘要
     针对故障诊断中各类数据样本分布不均衡时诊断效果较差的问题,在支持向量机方法的基础上引入了支持向量描述方法,并对支持向量描述方法向多元判决扩展的方法,以及各种扩展方法的局限性进行了研究。对现有支持向量描述方法的扩展方法进行了改进,提出了一种利用K相邻概率加权的多元判决支持向量数据描述方法;通过使用集合经验模态分解原信号,并计算了各本征模函数的信息量作为特征,利用第三方实验数据,对K相邻概率支持向量数据描述方法在各种故障类别的识别准确率进行了测试。研究结果表明:该方法可以有效地识别滚动轴承故障发生时的位置和严重程度;同时,通过与其他分类方法对比的方式,证明了该方法的优越性。

基金项目:
湖北省科技厅重大专项资助项目(2016AAA056);化工装备强化与本质安全湖北省重点实验室开放基金资助项目(2018KA01)

上一篇:高空作业平台臂架水平直线运动中的振动分析
下一篇:基于ISFLA优化深度置信网络的滚动轴承故障诊断方法研究

分享到: 分享基于EMDD信息量和KNP-SVDD的滚动轴承故障诊断研究到腾讯微博           收藏
评论排行
公告 
相关期刊文献推荐
相关会议文献推荐
相关硕士文献推荐
相关博士文献推荐