Adaboost_SVM集成模型的滚动轴承早期故障诊断 |
| |
引用本文: | 陈法法,杨晶晶,肖文荣,程珩,张发军.Adaboost_SVM集成模型的滚动轴承早期故障诊断[J].机械科学与技术(西安),2018(2). |
| |
作者姓名: | 陈法法 杨晶晶 肖文荣 程珩 张发军 |
| |
作者单位: | 三峡大学水电机械设备设计与维护湖北省重点实验室;太原理工大学机械电子工程研究所; |
| |
摘 要: | 针对滚动轴承早期故障诊断中故障特征微弱难以有效检测的问题,提出一种基于Adaboost提升支持向量机(Support vector machines,SVM)集成学习模型的滚动轴承早期故障诊断方法。首先以Cincinnati大学实测的滚动轴承全寿命振动数据为基础,采用特征参数跟踪法,建立特征参数的趋势分析,并据此选择用于滚动轴承早期故障诊断的敏感特征参量,然后通过构造Adaboost提升SVM集成学习模型,并将其应用于滚动轴承的早期故障检测中。Ada Boost能够自适应地提升单一SVM的分类性能,相对于传统的单一SVM分类器Adaboost_SVM稳定性最好,早期故障诊断准确率最高。实验结果表明,结合优选的敏感特征参量,Adaboost_SVM能有效地诊断滚动轴承的早期故障模式。
|
本文献已被 CNKI 等数据库收录! |
|