针对多变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法在参数估计中存在的缺陷,采用分位数回归(Quantile Regression,QR)代替原方法中的最小二乘法进行参数估计,克服最小二乘回归中强假设、易...针对多变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法在参数估计中存在的缺陷,采用分位数回归(Quantile Regression,QR)代替原方法中的最小二乘法进行参数估计,克服最小二乘回归中强假设、易受异常值影响等问题,以此提高模式识别的精度。因此,提出了基于分位数回归的多变量预测模型模式识别方法(Quantile Regression-Variable Predictive Mode Based Cass Discriminate,QRVPMCD)。采用局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取单分量信号的Hilbert谱奇异值组成故障特征向量,并以此作为QRVPMCD的输入进行滚动轴承故障诊断。对不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明了该方法的有效性。展开更多
文摘针对多变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法在参数估计中存在的缺陷,采用分位数回归(Quantile Regression,QR)代替原方法中的最小二乘法进行参数估计,克服最小二乘回归中强假设、易受异常值影响等问题,以此提高模式识别的精度。因此,提出了基于分位数回归的多变量预测模型模式识别方法(Quantile Regression-Variable Predictive Mode Based Cass Discriminate,QRVPMCD)。采用局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取单分量信号的Hilbert谱奇异值组成故障特征向量,并以此作为QRVPMCD的输入进行滚动轴承故障诊断。对不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明了该方法的有效性。
