机械设备正常运行的振动信号很容易获得,而有故障时的振动信号一般很难获得。在没有故障信号时可以仅仅依靠正常运行时的信号,利用支持向量数据描述方法(support vector data description,SVDD)建立单值分类器,从而对设备运行状态进行...
详细信息
机械设备正常运行的振动信号很容易获得,而有故障时的振动信号一般很难获得。在没有故障信号时可以仅仅依靠正常运行时的信号,利用支持向量数据描述方法(support vector data description,SVDD)建立单值分类器,从而对设备运行状态进行监测诊断。当具有一定的故障样本(非目标样本)时,既可以建立传统的二值分类器,也可以建立SVDD单值分类器。但当非目标样本较少时,传统的二分类器就很难有好的分类能力,而SVDD方法只利用了一类样本信息,对信息没有充分利用,也同样不利于提高监测诊断的准确性。文中研究一种改进的SVDD——加入非目标样本的SVDD分类方法,及其在故障诊断中的应用,该方法将实际生产中难以得到的故障信息加以利用,使信息利用更加充分,提高设备故障分类的准确性。通过对滚动轴承实验数据的分析,证明该方法可以有效提高故障诊断的准确度。
双谱是处理非线性、非高斯性信号的有力工具,而支持向量数据描述(support vector data description,SVDD)是一种单值分类方法,可以解决故障诊断中故障样本缺乏的问题。基于此,提出一种基于双谱和SVDD相结合的故障智能诊断方法。该方法...
详细信息
双谱是处理非线性、非高斯性信号的有力工具,而支持向量数据描述(support vector data description,SVDD)是一种单值分类方法,可以解决故障诊断中故障样本缺乏的问题。基于此,提出一种基于双谱和SVDD相结合的故障智能诊断方法。该方法采用双谱对振动信号进行处理并提取特征向量,以此作为SVDD的输入参数进行训练和分类。将该方法应用于滚动轴承的故障诊断中,结果表明,该方法可以有效提取轴承信号的特征信息,提高SVDD在故障诊断中的准确性。
暂无评论