排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
采用多维高斯贝叶斯机器学习方法研究机械设备的失效/故障智能诊断方法,基于极大似然分析基础上,提出一种基于"马氏距离"估算的关键特征参量影响分析方法,用于评价各特征参量对失效/故障分类的影响。该方法用于两个机械设备的失效/故障数据库的智能诊断分析,在获得高诊断识别率(失效/故障模式正确识别率分别达到96%和86%)的同时,也识别了影响失效/故障分类的关键特征参量。分析表明特定的失效/故障模式往往取决于少数关键特征参量,而不确定的失效/故障模式的关键特征参量往往呈分散分布,关键特征的分散性会影响多维高斯贝叶斯分类器的诊断识别率。该方法可用于机械设备的失效/故障的智能识别与关键特征参量的智能诊断,也为失效/故障的影响因素分析指明方向。 相似文献
4.
提出了基于多维高斯贝叶斯模型的设备故障智能诊断流程,包括数据的筛选与结构化分析、数据的降维、模型的构建、诊断结果的检验与分析等。研究表明采用主成分分析方法进行降维时,不同的诊断对象在降维参数的选择方面存在较大差别,诊断效果因诊断对象和样本数量的不同而有所差异。利用公开发表的超声波流量计数据库对流程进行验证。结果显示:针对B型流量计进行280次、C型流量计进行550次智能故障诊断,故障状态的首选正确识别率分别达到99.3%和95.1%,较k-最近邻(KNN)聚类分析算法有一定的优势。 相似文献
1