本文關(guān)鍵詞： LSSVM 多核LSSVM 軸承故障診斷　出處：《組合機床與自動化加工技術(shù)》2017年06期 　論文類型：期刊論文

【摘要】：針對滾動軸承故障診斷中出現(xiàn)的多故障類型識別與診斷問題,在LSSVM和多核學習的基礎上,提出了多核的LSSVM的軸承故障診斷算法。多核的LSSVM實現(xiàn)的關(guān)鍵是如何確定多核函數(shù)的每個基本核函數(shù)的權(quán)系數(shù),采用核度量標準——核極化來解決此難題。首先,選擇基本核函數(shù)及其核參數(shù)值;然后,用核極化求解基本核函數(shù)的權(quán)系數(shù),組合多核函數(shù);最后,創(chuàng)建多核的LSSVM算法模型,進行軸承故障診斷。美國西儲大學的滾動軸承的實驗結(jié)果表明,與5-fold SVM和LSSVM相比,多核的LSSVM算法具有更優(yōu)的故障識別率,驗證了所提算法的有效性。
[Abstract]:Aiming at the problem of multi-fault type identification and diagnosis in rolling bearing fault diagnosis, on the basis of LSSVM and multi-core learning, This paper presents a bearing fault diagnosis algorithm for multi-core LSSVM. The key to the realization of multi-core LSSVM is how to determine the weight coefficient of each basic kernel function of the multi-core function, and to solve the problem by using kernel metric, nuclear polarization, to solve the problem. The basic kernel function and its kernel parameter value are selected. Then, the weight coefficient of the basic kernel function is solved by kernel polarization, and the multi-kernel function is combined. Finally, the multi-kernel LSSVM algorithm model is created. The experimental results of rolling bearings at the University of Western Reserve show that compared with 5-fold SVM and LSSVM, the multi-core LSSVM algorithm has better fault identification rate, and verifies the effectiveness of the proposed algorithm.
【作者單位】： 內(nèi)蒙古科技大學機械工程學院;
【基金】：國家自然科學基金項目(21366017) 內(nèi)蒙古自然科學基金(2016MS0543)
【分類號】：TH133.3

【相似文獻】

相關(guān)期刊論文 前10條

1 ;軸承故障診斷有了“透視鏡”[J];機電設備;2001年06期

2 薛松;程珩;楊勇;;偽Wigner-Ville分布在電機軸承故障診斷中的應用[J];機械工程與自動化;2008年04期

3 趙志宏;楊紹普;;一種基于樣本熵的軸承故障診斷方法[J];振動與沖擊;2012年06期

4 黃晉英;潘宏俠;畢世華;楊喜旺;;基于高階累量譜的軸承故障診斷[J];火炮發(fā)射與控制學報;2007年02期

5 陶新民;徐晶;劉興麗;劉玉;;基于最大小波奇異譜的軸承故障診斷方法[J];振動、測試與診斷;2010年01期

6 喬世民;軸承故障診斷技術(shù)的發(fā)展[J];中國設備管理;1989年01期

7 李正安,李登嘯;單片機軸承故障診斷系統(tǒng)[J];軸承;1992年03期

8 楊望燦;張培林;張云強;;基于鄰域自適應局部保持投影的軸承故障診斷模型[J];振動與沖擊;2014年01期

9 朱文來;;希爾伯特-黃變換在軸承故障診斷中的應用研究[J];科技創(chuàng)新導報;2013年34期

10 任國全,韋有民,鄭海起;基于小波分析的軸承故障診斷研究[J];河北省科學院學報;2002年02期

相關(guān)會議論文 前10條

1 任獲榮;馬亞男;李勝剛;;熵隨機共振在軸承故障診斷中的應用研究[A];2012年陜西省焊接學術(shù)交流會論文集[C];2012年

2 李琳;張永祥;童艷;;基于聲發(fā)射和高階譜分析的滾動軸承故障診斷[A];設備監(jiān)測與診斷技術(shù)及其應用——第十二屆全國設備監(jiān)測與診斷學術(shù)會議論文集[C];2005年

3 高耀智;譚援強;;基于1(1/2)譜與小波分析相結(jié)合的滾動軸承故障診斷[A];2009年全國青年摩擦學學術(shù)會議論文集[C];2009年

4 陶新民;徐晶;杜寶祥;徐勇;;基于相空間奇異譜的SOM軸承故障診斷模型[A];第二十七屆中國控制會議論文集[C];2008年

5 喬文生;陳興輝;艾士娟;胡北;趙恒;;基于小波包和BP神經(jīng)網(wǎng)絡的滾動軸承故障診斷[A];第八屆全國設備與維修工程學術(shù)會議、第十三屆全國設備監(jiān)測與診斷學術(shù)會議論文集[C];2008年

6 李培玉;劉光明;鄭俊;;基于多通道振動信號的港機臺車車輪軸承故障診斷系統(tǒng)[A];第九屆全國振動理論及應用學術(shù)會議論文集[C];2007年

7 李培玉;劉光明;鄭俊;;基于多通道振動信號的港機臺車車輪軸承故障診斷系統(tǒng)[A];第九屆全國振動理論及應用學術(shù)會議論文摘要集[C];2007年

8 沈路;周曉軍;張杰;;基于形態(tài)非抽樣小波與灰色關(guān)聯(lián)度的滾動軸承故障診斷[A];2011年機械電子學學術(shù)會議論文集[C];2011年

9 宋瀏陽;王華慶;高金吉;王峰;;基于蟻群算法的滾動軸承故障診斷[A];現(xiàn)代振動與噪聲技術(shù)（第九卷）[C];2011年

10 張淑清;張琳;;基于RBF網(wǎng)絡和D-S推理的軸承故障診斷[A];首屆信息獲取與處理學術(shù)會議論文集[C];2003年

相關(guān)重要報紙文章 前1條

1 通訊員 蔡義杰 記者 唐先武;軸承故障診斷有了“透視鏡”[N];科技日報;2001年

相關(guān)博士學位論文 前1條

1 梁瑜;地鐵列車軸承故障診斷及在途診斷系統(tǒng)研究[D];北京交通大學;2014年

相關(guān)碩士學位論文 前10條

1 吳治南;基于小波變換與PNN神經(jīng)網(wǎng)絡相結(jié)合的滾動軸承故障診斷[D];河北工程大學;2015年

2 趙江萍;滾動軸承故障診斷系統(tǒng)設計[D];中國計量學院;2015年

3 黃文靜;基于多特征量提取和PSO優(yōu)化神經(jīng)網(wǎng)絡的軸承故障診斷[D];燕山大學;2016年

4 歐陽賀龍;基于全矢譜的風電軸承故障診斷[D];鄭州大學;2016年

5 張濤;機車軸承故障診斷系統(tǒng)的研究與設計[D];中南大學;2005年

6 黃建新;多傳感器數(shù)據(jù)融合技術(shù)在軸承故障診斷中的應用研究[D];武漢理工大學;2006年

7 趙興;基于時頻維數(shù)的滾動軸承故障診斷技術(shù)應用研究[D];大連交通大學;2013年

8 盧一相;時頻分析在軸承故障診斷中的應用研究[D];安徽大學;2007年

9 陳濤;低速重載軸承故障診斷的虛擬儀器研究[D];重慶大學;2005年

10 李學偉;支持向量機在嵌入式軸承故障診斷裝置中的研究與實現(xiàn)[D];東北大學;2010年

，

本文編號：1519802