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]	唐洋,肖枭,关绵涛,倪申童,雷波,杨鑫. 多源信号融合往复式压缩机故障诊断方法[J]. 山东大学学报 (工学版), 2023, 53(5): 10-19.
[2]	闵海根,方煜坤,吴霞,王武祺. 网联交通环境下的车-车通信故障诊断方法[J]. 山东大学学报 (工学版), 2021, 51(6): 84-92.
[3]	亓晓燕,刘恒杰,侯秋华,刘啸宇,谭延超,王连成. 融合LSTM和SVM的钢铁企业电力负荷短期预测[J]. 山东大学学报 (工学版), 2021, 51(4): 91-98.
[4]	马昕,王雪. 基于Laplacian支持向量机和序列信息的microRNA-结合残基预测[J]. 山东大学学报 (工学版), 2020, 50(2): 76-82.
[5]	梁志祥,刘晓明,牟颖,刘玉田. 基于深度学习的新能源爬坡事件预测方法[J]. 山东大学学报 (工学版), 2019, 49(5): 24-28.
[6]	汪嘉晨, 唐向红, 陆见光. 轴承故障诊断中特征选取技术[J]. 山东大学学报 (工学版), 2019, 49(2): 80-87.
[7]	严云洋,张慧珍,刘以安,高尚兵. 基于GMM与三维LBP纹理的视频火焰检测[J]. 山东大学学报 (工学版), 2019, 49(1): 1-9.
[8]	李兴,侯振杰,梁久祯,常兴治. 基于线性加速度的多节点人体行为识别[J]. 山东大学学报 (工学版), 2018, 48(6): 56-66.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed

本文评价

推荐阅读 10

[1]	于海波,李宇,余恬,雷虹 . W波段折叠波导慢波系统的尺寸对其冷特性的影响[J]. 山东大学学报(工学版), 2008, 38(3): 90 -94 .
[2]	宋明大,王威强,李梦丽,徐书根 . 多层包扎尿素合成塔无损评价方法[J]. 山东大学学报(工学版), 2007, 37(4): 50 -54 .
[3]	郑洪亮,孔凡利, , 田学雷 . Al-Cu合金成分变化对其凝固潜热影响的研究[J]. 山东大学学报(工学版), 2008, 38(2): 10 -12 .
[4]	侯燕,杨猛. 高效解决复杂拓扑问题的显式界面追踪算法[J]. 山东大学学报(工学版), 2016, 46(4): 15 -20 .
[5]	马志强,常发亮,田伟,赵瑶 . 彩色图像中的人脸检测方法[J]. 山东大学学报(工学版), 2007, 37(4): 19 -22 .
[6]	林爱华蒋晓芸苗风明. 粒子入射双δ势垒时空间分数阶薛定谔方程的解[J]. 山东大学学报(工学版), 2010, 40(1): 139 -143 .
[7]	房栓社,孔德超 ,王登杰,孟令星 . 三维坐标法在深基坑变形监测中的应用[J]. 山东大学学报(工学版), 2006, 36(5): 86 -88 .
[8]	员冬玲,邓建新,丁泽良,段振兴 . 梯度陶瓷水煤浆喷嘴的残余热应力有限元分析[J]. 山东大学学报(工学版), 2008, 38(2): 18 -22 .
[9]	陈虎,黎铭*,姜远,周志华. iCome:基于多义性的图像检索系统[J]. 山东大学学报(工学版), 2010, 40(5): 112 -116 .
[10]	肖利利陈蔚芳叶文华杨琪刘世豪. “箱中箱”结构立滑板的有限元分析及其优化设计[J]. 山东大学学报(工学版), 2010, 40(1): 78 -83 .