共查询到10条相似文献,搜索用时 15 毫秒
1.
为了提高旋转设备故障诊断的准确率,提出了基于粗糙集和最小二乘支持向量机(LSSVM)的旋转设备故障诊断方法,讨论了如何进行数据选择、离散及约简方法,用粗糙集提取出旋转设备故障诊断的关键征兆属性,降低数据集的维数将约简属性后的数据集送入最小二乘支持向量机进行故障分类训练。仿真结果表明:采用此方法的故障识别率优于PCA-LSSVM法,分类时间也明显优于LSSVM分类方法。 相似文献
2.
3.
4.
5.
6.
将粗集和支持向量机两种算法有机结合起来,建立了基于粗集与支持向量机的采空区自然发火预测模型。通过粗集对采空区自然发火影响因子进行预处理,将约简属性作为输入向量,利用支持向量机进行分类处理,选择了支持向量机核函数,利用变步长搜索法对支持向量机参数进行了优化。在对粗集-支持向量机方法的实验中,通过与支持向量机方法和神经网络方法的比较,发现在样本有限的情况下,基于粗集-支持向量机的采空区自然发火预测方法预测精度更高,训练速度更快,为采空区自然发火预测提供了一种新的方法。 相似文献
7.
基于K-L变换和支持向量机的滚动轴承故障诊断 总被引:1,自引:0,他引:1
提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。试验结果表明,利用主矢量分解后的主特征向量与支持向量机相结合可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新途径。 相似文献
8.
9.
基于集成支持向量机的滚动轴承故障智能诊断研究 总被引:3,自引:2,他引:1
针对滚动轴承故障识别问题,有效提高分类正确率,提出一种基于Adaboost算法的集成支持向量机智能诊断方法。该方法采用小波包变换提取信号的敏感频带特征;计算各频带能量作为训练特征;将特征向量输入到集成支持向量机中,以实现对不同的滚动轴承故障类型的识别。实验结果表明,该方法能有效地提取故障特征同时获得较好的分类效果。 相似文献
10.
旋转机械在运行复杂环境下振动信号复杂且有许多噪声,难以有效提取故障特征并准确诊断,为此提出一种人工蜂群优化变分模态分解(VMD)的机械故障诊断方法。首先采用人工蜂群算法优化VMD的参数,对振动信号进行变分模态分解,获得相应的本征模态函数分量;然后对各模态分量信号计算多尺度熵,构造故障特征向量;最后利用最小二乘支持向量机(LS-SVM)进行故障诊断。实验结果表明,该方法具有较高的准确率,准确率达到97.5%,可以满足旋转机械故障诊断的要求。 相似文献