-
题名基于RBF神经网络的多转子故障类型诊断
被引量：1
- 1
-
-
作者
曹保钰
陈国安
李伟
江帆
王泽文
-
机构
中国矿业大学机电工程学院
工程兵学院
-
出处
《现代制造工程》
CSCD
北大核心
2013年第5期126-130,共5页
-
基金
江苏省科技支撑计划项目(BE2011046)
-
文摘
对多转子系统中转子故障诊断进行了研究,以转子正常、偏心、不平衡和弯曲四种工作状态为例,采用径向基函数(RBF)神经网络对故障进行诊断。通过快速傅里叶变换和能量谱对转子振动信号进行特征提取,并将提取的特征向量作为神经网络的输入,实现多转子故障类型的识别。结果表明,利用能量谱和RBF神经网络能够有效地识别转子故障类型。
-
关键词
多转子
能量谱
RBF神经网络
故障类型诊断
-
Keywords
multiple rotors
energy spectrum
RBF neural network
fault types diagnosis
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于MDP-SVM的过程多类型故障诊断
被引量：5
- 2
-
-
作者
郭小萍
尹瑞琛
李元
-
机构
沈阳化工大学信息工程学院
-
出处
《电子测量技术》
北大核心
2022年第1期159-164,共6页
-
基金
国家自然科学基金项目(61490701,61673279)
辽宁省教育厅项目(LJ2020021)资助。
-
文摘
针对工业过程多类型故障诊断率低的问题,提出一种边界判别投影(MDP)与支持向量机(SVM)相融合(MDP-SVM)的方法。边界判别投影常用于人脸识别领域,其可以将多类数据降维,获得不同类别清晰的边界。与主成分分析(PCA)和局部线性嵌入(LLE)算法相比,考虑了样本的局部结构和全局结构,避免了小样本问题。降维的数据通过SVM分类器进行类别判断,利用粒子群(PSO)算法得到最佳SVM分类器,实现故障诊断。仿真结果表明,相对于传统方法,所提方法故障识别准确率达到95.379%,而且可同时识别出多类故障。
-
关键词
边界判别投影
支持向量机
多类型故障诊断
-
Keywords
margin discriminant projection
support vector machine
multi-type fault diagnosis
-
分类号
TQ015
[化学工程]
-
-
题名基于核熵成分分析的工业过程多类型故障诊断
被引量：4
- 3
-
-
作者
李榕
申志
李元
-
机构
沈阳化工大学信息工程学院
-
出处
《电子测量技术》
北大核心
2023年第10期40-45,共6页
-
基金
国家自然科学基金(62273242,61673279)项目资助。
-
文摘
核熵成分分析(KECA)特征提取过程中只保留了数据的最大瑞丽熵(Renyi)信息,没有充分利用数据的类别信息。由于监督学习算法线性判别分析(LDA)能够有效提取特征中的类别信息,因此提出KECA-LDA(KEDA)的特征提取方法。首先KECA依据最小Renyi熵损失策略对数据进行维数约简;然后在KECA特征空间使用LDA算法获取具有判别信息的低维特征并输入到支持向量机(SVM)分类器中,利用天牛须优化算法(BAS)得到最佳性能的SVM分类器,从而建立故障诊断模型。将KEDA-BAS-SVM方法应用于田纳西-伊斯曼化工过程(TE)进行仿真实验,结果表明:当采用基于距离测度的矩阵相似性优化确定KEDA中所选用的径向基函数(RBF)核参数时,相比KECA和LDA算法,KEDA特征提取后多类型故障诊断准确率达到99.7%,验证了KEDA-BAS-SVM在多类型故障诊断领域的优越性。
-
关键词
特征提取
多类型故障诊断
核熵成分分析
线性判别分析
-
Keywords
feature exctraction
multi-type fault diagnosis
kernel entropy component analysis
linear discriminant analysis
-
分类号
TQ015
[化学工程]
-
