版权所有:内蒙古大学图书馆 技术提供:维普资讯• 智图
内蒙古自治区呼和浩特市赛罕区大学西街235号 邮编: 010021
作者机构:清华大学精密测试技术及仪器国家重点实验室北京100084
出 版 物:《机械工程学报》 (Journal of Mechanical Engineering)
年 卷 期:2008年第44卷第11期
页 面:145-151页
核心收录:
学科分类:08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家重点基础研究发展计划(973计划 2006CB303000) 国家自然科学基金(60673176 60373014 50175056)资助项目
摘 要:支持矢量机(Support vector machines,SVM)已经在小样本故障识别中得到了广泛应用。与之对比,由于先验知识获取和非线性识别较难实现,基于贝叶斯概率的故障识别方法应用较少。针对上述问题,提出隐性函数S-压缩贝叶斯故障识别方法(LS-BFR)。LS-BFR以高斯随机过程和贝叶斯概率为基础,以高斯回归作为隐性函数,通过S-压缩对回归输出进行变换使其具有概率意义,利用贝叶斯概率实现故障识别。为提高LS-BFR非线性故障识别效果,引入核函数方法在高维空间进行隐性高斯过程回归,并给出基于贝叶斯参数估计的核函数参数选择方法。在转子试验台上模拟了不对中和不平衡故障,并利用LS-BFR进行故障识别。试验结果表明,基于隐性函数和S-压缩的LS-BFR方法能有效地进行小样本故障识别,且识别效果优于SVM。