-
题名模糊支持张量训练机及其在滚动轴承故障诊断中的应用
被引量：3
- 1
-
-
作者
王劲锋
薛玉石
山春凤
-
机构
江苏联合职业技术学院扬州技师分院
国机精工股份有限公司
洛阳轴承研究所有限公司
-
出处
《机电工程》
CAS
北大核心
2022年第10期1405-1411,共7页
-
基金
国家重点研发计划资助项目(2018YFB2000502)
江苏省职业技术教育学会2021—2022年度江苏职业教育研究立项课题(XHYBLX2021203)
江苏省教育科学研究院2020年江苏省现代教育技术研究课题(2019-R-82143)。
-
文摘
在进行样本不平衡数据建模时,支持向量机(SVM)无法保护故障信号的特征信息,针对这一问题,提出了一种基于模糊支持张量训练机(FSTTM)的状态评估方法。首先,利用多源故障信号在FSTTM中,构建了张量样本,并在模型中引入了张量训练(TT)分解方法,以提取高阶张量样本中包含的特征信息;然后,利用基于TT核函数,建立了线性不可分下的预测模型,解决了非线性数据的分类问题;最后,在目标函数中设计了模糊因子,使模型对数目较少一类样本及数目较多一类样本的倾向均衡,实现了对样本不平衡数据的有效分类。研究结果表明:采用FSTTM对两种不同的滚动轴承数据进行故障诊断实验,其故障识别准确率均在97%以上,且F-score指标达到0.9800以上;相对于传统支持张量机,FSTTM利用高阶张量和模糊因子构造预测模型,可实现对原始信号状态信息的充分利用和样本不平衡数据的准确分类。
-
关键词
故障信号特征信息
模糊支持张量训练机
张量训练分解方法
支持向量机
样本不平衡数据建模
多源故障信号
模型分类性能
-
Keywords
characteristic information of fault signal
fuzzy support tensor train machine(FSTTM)
tensor train(TT)decomposition method
support vector machine(SVM)
sample imbalance modeling
multi-source fault signals
model classification performance
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
