基于模糊域和支持向量机的故障诊断方法

山东大学学报(工学版)

基于模糊域和支持向量机的故障诊断方法

王胜春^1,2,韩捷²,李剑峰¹,李志农²

1. 山东大学机械工程学院，山东济南250061；2. 郑州大学振动工程研究所，河南郑州450002

收稿日期:2006-03-29 修回日期:1900-01-01 出版日期:2006-12-24 发布日期:2006-12-24
通讯作者: 王胜春

The fault diagnosis method based on ambiguity domain and support vector machine

WANG Sheng-chun^1,2,HAN Jie²,LI Zhi-nong²,LI Jian-feng²

1. School of Mechanical Engineering, Shandong University,Jinan 250061,China;2. Research Institute of Vibration Engineering,Zhengzhou University,Zhengzhou 450002,China

Received:2006-03-29 Revised:1900-01-01 Online:2006-12-24 Published:2006-12-24
Contact: WANG Sheng-chun

摘要/Abstract

摘要： 将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别.利用模糊域分布可以很好地刻画信号的时频局部化特征，与时-频平面特征提取相比，又可大大降低数据维数.对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果.

关键词: 模糊域, 支持向量机, 核函数, 故障诊断

Abstract: By combining ambiguity domain with support vector machine(SVM), a new method of fault diagnosis was presented. The proposed method used the local energy in ambiguity domain as a feature vector to input the SVM classifier to identify faults. The local information of signal can be fully reflected by using ambiguity domain distribution. Compared with the feature extracted from the timefrequency plane, the dimensions of feature vector can be greatly reduced. The recognition results are analyzed for different kernel functions. The experiment results show that the best classify efficiency can be obtained without any kernel function in ambiguity domain.

Key words: support vector machine(SVM), kernel function, fault diagnosis , ambiguity domain

王胜春,韩捷,李剑峰,李志农 . 基于模糊域和支持向量机的故障诊断方法[J]. 山东大学学报(工学版), 2006, 36(6): 116-120 .

WANG Sheng-chun,HAN Jie,LI Zhi-nong,LI Jian-feng . The fault diagnosis method based on ambiguity domain and support vector machine[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2006, 36(6): 116-120 .

参考文献

相关文章 15

[1]	程鑫,张林,胡业发,陈强,梁典. 基于电流特性的主动磁轴承电磁线圈故障诊断[J]. 山东大学学报(工学版), 2018, 48(4): 94-101.
[2]	张佩瑞,杨燕,邢焕来,喻琇瑛. 基于核K-means的增量多视图聚类算法[J]. 山东大学学报(工学版), 2018, 48(3): 48-53.
[3]	叶明全,高凌云,万春圆. 基于人工蜂群和SVM的基因表达数据分类[J]. 山东大学学报(工学版), 2018, 48(3): 10-16.
[4]	程鑫,刘晗,王博,梁典,陈强. 基于双核处理器的主动磁悬浮轴承容错控制架构[J]. 山东大学学报(工学版), 2018, 48(2): 72-80.
[5]	韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[6]	王秀青,曾慧,解飞,吕峰. 基于Spiking神经网络的机械臂故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 15-21.
[7]	宋洋,钟麦英. 基于改进距离相似度的故障可分离性分析方法[J]. 山东大学学报(工学版), 2017, 47(5): 103-109.
[8]	李炜,王可宏,曹慧超. 基于新型ESF的一类非线性系统故障滤波方法[J]. 山东大学学报(工学版), 2017, 47(5): 7-14.
[9]	毛海杰,李炜,王可宏,冯小林. 基于自抗扰的多电机转速同步系统传感器故障切换容错策略[J]. 山东大学学报(工学版), 2017, 47(5): 64-70.
[10]	邱路,叶银忠,姜春娣. 基于小波奇异熵和SOM神经网络的微电网系统故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 118-122.
[11]	谢晓龙,姜斌,刘剑慰,蒋银行. 基于滑模观测器的异步电动机速度传感器故障诊断及容错控制[J]. 山东大学学报(工学版), 2017, 47(5): 210-214.
[12]	王梦园,张雄,马亮,彭开香. 基于因果拓扑图的工业过程故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 187-194.
[13]	孙源呈,姚利娜. 不确定奇异随机分布系统的故障诊断和容错控制[J]. 山东大学学报(工学版), 2017, 47(5): 238-245.
[14]	李明虎,李钢,钟麦英. 动态核主元分析在无人机故障诊断中的应用[J]. 山东大学学报(工学版), 2017, 47(5): 215-222.
[15]	刘卓,王天真,汤天浩,冯页帆,姚君琦,高迪驹. 一种多电平逆变器故障诊断与容错控制策略[J]. 山东大学学报(工学版), 2017, 47(5): 229-237.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed