本文選題：風(fēng)機(jī)故障　切入點(diǎn)：特征提取　出處：《吉林大學(xué)學(xué)報(bào)(理學(xué)版)》2016年03期

【摘要】：為了提高風(fēng)機(jī)故障的診斷精度,提出一種證據(jù)理論和支持向量機(jī)相融合的風(fēng)機(jī)故障識(shí)別方法.首先從振動(dòng)信號(hào)中提取Wigner-Ville譜熵作為風(fēng)機(jī)故障診斷特征;然后采用不同核函數(shù)支持向量機(jī)進(jìn)行訓(xùn)練,建立風(fēng)機(jī)故障診斷的子分類(lèi)器;最后采用DS證據(jù)理論對(duì)子分類(lèi)器的輸出結(jié)果進(jìn)行融合,并對(duì)其性能進(jìn)行仿真測(cè)試.實(shí)驗(yàn)結(jié)果表明,該方法可以充分利用全部故障信息,診斷結(jié)果更接近期望值,診斷效果優(yōu)于其他風(fēng)機(jī)故障診斷方法.
[Abstract]:In order to improve the accuracy of fan fault diagnosis, a fan fault identification method based on evidence theory and support vector machine (SVM) was proposed.Firstly, the Wigner-Ville spectrum entropy is extracted from the vibration signal as the fault diagnosis feature of fan, and then different kernel function support vector machines are used to train the sub-classifier for fan fault diagnosis.Finally, DS evidence theory is used to fuse the output of the sub-classifier, and its performance is tested by simulation.The experimental results show that the method can make full use of all fault information and the diagnosis result is closer to the expected value, and the diagnosis effect is better than other fan fault diagnosis methods.
【作者單位】： 武昌工學(xué)院機(jī)械工程學(xué)院;
【基金】：湖北省教育科學(xué)“十二五”規(guī)劃重點(diǎn)項(xiàng)目(批準(zhǔn)號(hào):2014A047)
【分類(lèi)號(hào)】：TP18;TH43

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉國(guó)奇;毛海宇;蒲寶明;朱永峰;黃金;;基于小波神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)故障診斷[J];小型微型計(jì)算機(jī)系統(tǒng);2015年07期

2 焦斌;高志偉;;量子遺傳算法優(yōu)化的最小二乘支持向量機(jī)的風(fēng)機(jī)故障診斷[J];上海電機(jī)學(xué)院學(xué)報(bào);2014年03期

3 蘇麗秋;楊帥;;基于風(fēng)機(jī)故障診斷的融合神經(jīng)網(wǎng)絡(luò)系統(tǒng)構(gòu)建[J];煤礦機(jī)械;2014年05期

4 李晶;劉國(guó)華;;基于人工智能的煤礦風(fēng)機(jī)故障診斷方法[J];煤礦機(jī)械;2013年12期

5 戴健;楊宏暉;杜方鍵;孫進(jìn)才;;一種用于風(fēng)機(jī)故障診斷的免疫克隆特征選擇算法[J];聲學(xué)技術(shù);2012年06期

6 王磊;紀(jì)國(guó)宜;;基于Hilbert-Huang變換與人工神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)故障診斷研究[J];發(fā)電設(shè)備;2012年02期

7 楊舟;王紅;楊士元;胡喜;;風(fēng)機(jī)故障診斷系統(tǒng)中的振動(dòng)信號(hào)分析與實(shí)現(xiàn)[J];微電子學(xué)與計(jì)算機(jī);2011年09期

8 張金敏;翟玉千;王思明;;小波分解和最小二乘支持向量機(jī)的風(fēng)機(jī)齒輪箱故障診斷[J];傳感器與微系統(tǒng);2011年01期

9 楊宏暉;陳兆基;戴鍵;;基于自適應(yīng)增強(qiáng)SVM集成算法的風(fēng)機(jī)故障診斷[J];測(cè)控技術(shù);2010年07期

10 楊宏暉;侯宏;曾向陽(yáng);孫進(jìn)才;;基于聲信號(hào)人耳聽(tīng)覺(jué)譜特征的風(fēng)機(jī)故障診斷[J];儀器儀表學(xué)報(bào);2009年01期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李家偉;;基于證據(jù)理論和支持向量機(jī)的風(fēng)機(jī)故障智能診斷[J];吉林大學(xué)學(xué)報(bào)(理學(xué)版);2016年03期

2 孟偉光;;大型固定設(shè)備在線監(jiān)測(cè)與故障診斷系統(tǒng)在煤礦中的應(yīng)用[J];煤炭與化工;2016年04期

3 王鳳茹;于平;;基于馬氏距離的二次電源狀態(tài)判析方法[J];傳感器與微系統(tǒng);2016年04期

4 李偉昌;張磊;;基于風(fēng)力發(fā)電系統(tǒng)的風(fēng)電機(jī)組變槳距故障診斷[J];計(jì)算機(jī)仿真;2015年09期

5 吳存潔;谷玉海;徐小力;;小波新閾值法在振動(dòng)信號(hào)去噪中的應(yīng)用研究[J];機(jī)械工程與自動(dòng)化;2015年04期

6 趙冬建;;煤礦風(fēng)機(jī)故障的智能診斷探討[J];科技視界;2015年16期

7 沈艷霞;周文晶;紀(jì)志成;吳定會(huì);;基于小波包與SVM的風(fēng)電變流器故障診斷[J];太陽(yáng)能學(xué)報(bào);2015年04期

8 柏會(huì)寧;馬建倉(cāng);李軍杰;王彤;秦濤;;仿聽(tīng)覺(jué)頻率分解特性的軸承振動(dòng)信號(hào)處理方法[J];軸承;2015年04期

9 繆希仁;吳曉梅;石敦義;郭謀發(fā);王吳雨;;采用HHT振動(dòng)分析的低壓斷路器合閘同期辨識(shí)[J];電工技術(shù)學(xué)報(bào);2014年11期

10 陳立軍;侯爽;葉，

本文編號(hào)：1724328