本文關(guān)鍵詞：支持向量機(jī)和小波包分析下的軸承故障診斷

  更多相關(guān)文章： 支持向量機(jī) 小波包分析 滾動(dòng)軸承 故障診斷

【摘要】：簡(jiǎn)要介紹了支持向量機(jī)和小波包分析理論,在此基礎(chǔ)上提出將故障信號(hào)經(jīng)小波包分解后各子頻帶信號(hào)能量與信號(hào)總能量之比作為故障特征并構(gòu)造特征向量作為SVM分類器的輸入,實(shí)現(xiàn)故障狀態(tài)的診斷。設(shè)計(jì)實(shí)驗(yàn)進(jìn)行驗(yàn)證,在轉(zhuǎn)子實(shí)驗(yàn)臺(tái)上測(cè)得滾動(dòng)軸承各種狀態(tài)下的振動(dòng)信號(hào),經(jīng)小波包分解后計(jì)算各子頻帶相對(duì)能量作為實(shí)驗(yàn)數(shù)據(jù)。將數(shù)據(jù)分為訓(xùn)練樣本較多和訓(xùn)練樣本較少兩組數(shù)據(jù)集,分別使用四種不同核函數(shù)和一對(duì)一與一對(duì)多兩種算法進(jìn)行故障狀態(tài)分類計(jì)算,以了解其對(duì)SVM分類性能的影響,最后與BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果比較,對(duì)比SVM分類器與傳統(tǒng)故障診斷方法的優(yōu)缺點(diǎn)。
【作者單位】： 江西理工大學(xué)機(jī)電工程學(xué)院;大\丶龐邢薰，

本文編號(hào)：864367