本文選題：頻譜成分預(yù)測(cè) + 全矢譜　； 參考：《機(jī)械設(shè)計(jì)與制造》2017年12期

【摘要】：支持向量機(jī)(SVM)在解決小樣本、非線性及高維問題方面表現(xiàn)突出,支持向量回歸(SVR)目前被廣泛應(yīng)用于設(shè)備狀態(tài)趨勢(shì)預(yù)測(cè)中用于故障定量分析。故障預(yù)測(cè)用于定性分析的相對(duì)較少,為進(jìn)一步提高其預(yù)測(cè)精度,結(jié)合基于同源信息融合的全矢譜技術(shù)進(jìn)行倍頻成分預(yù)測(cè)。該方法采用全矢譜技術(shù)融合雙通道信息,相比傳統(tǒng)單通道信號(hào)提取方法,保障了SVR預(yù)測(cè)數(shù)據(jù)特征提取的完整性,提高預(yù)測(cè)精度。對(duì)特征頻率進(jìn)行分別預(yù)測(cè),然后重新生成預(yù)測(cè)的頻譜圖。該方法應(yīng)用于某電廠1號(hào)汽輪機(jī)振動(dòng)數(shù)據(jù)的預(yù)測(cè),實(shí)驗(yàn)結(jié)果表明,全矢支持向量回歸(FVSVR)頻譜成分預(yù)測(cè)方法具有較高的預(yù)測(cè)精度,可以對(duì)一些故障定性分析。
[Abstract]:Support vector machine (SVM) is widely used in fault analysis in the prediction of equipment state trend. Support vector regression (SVR) is widely used in solving small sample, nonlinear and high dimensional problems. Fault prediction is seldom used in qualitative analysis. In order to further improve its prediction accuracy, the full vector spectrum based on homologous information fusion is used to predict the octave components. Compared with the traditional single-channel signal extraction method, this method can ensure the integrity of SVR prediction data feature extraction and improve the prediction accuracy. The characteristic frequency is predicted separately, and the predicted spectrum is generated again. The method is applied to the prediction of vibration data of steam turbine No. 1 in a power plant. The experimental results show that the full-vector support vector regression FVSVR method has high prediction accuracy and can be used to analyze some faults qualitatively.
【作者單位】： 鄭州大學(xué)振動(dòng)工程研究所;
【基金】：國家自然科學(xué)基金(51405453) 河南省教育廳科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目指導(dǎo)計(jì)(13B603970.0) 河南省高等學(xué)校精密制造技術(shù)與工程重點(diǎn)學(xué)科開放實(shí)驗(yàn)室開放基金資助項(xiàng)目(PMTE201301A)
【分類號(hào)】：TM621.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前7條

1 郭有貴;曾萍;朱建林;;交-交矩陣變換器SVM的新穎調(diào)制模式(英文)[J];系統(tǒng)仿真學(xué)報(bào);2009年22期

2 王龍輝;高嵩;屈星;;基于SVM的核電站環(huán)境輻射監(jiān)測(cè)網(wǎng)絡(luò)中傳感器節(jié)點(diǎn)缺失值估計(jì)算法[J];南華大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年04期

3 王立喬,王長永,張仲超;組合變流器相移SVM技術(shù)的研究[J];電力系統(tǒng)自動(dòng)化;2002年18期

4 李玉玲,李建林,張仲超;電流型變流器SVM技術(shù)簡化算法研究[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2005年09期

5 余勇;張興;;大功率相移SVM整流器研究[J];電力電子技術(shù);2008年08期

6 薛美盛;何丹玉;魏衡華;;基于SVM逆方法的球磨機(jī)制粉系統(tǒng)預(yù)測(cè)控制[J];控制工程;2011年02期

7 劉磊;苑津莎;;混合核函數(shù)SVM在變壓器狀態(tài)評(píng)估中的應(yīng)用[J];電子質(zhì)量;2012年09期

相關(guān)碩士學(xué)位論文 前5條

1 王金龍;基于EMD和SVM的光伏孤島識(shí)別研究[D];哈爾濱理工大學(xué);2016年

2 王碩;基于廣義S變換和SVM的電壓暫降檢測(cè)與識(shí)別方法研究[D];燕山大學(xué);2013年

3 徐滄;基于SVM的核電站不常用備件分類模型研究[D];華中科技大學(xué);2006年

4 朱增坤;一種面向配電網(wǎng)的微型同步向量測(cè)量單元設(shè)計(jì)[D];北京理工大學(xué);2015年

5 鐘燕科;基于SVM的機(jī)車主變流器故障診斷[D];中南大學(xué);2009年

，

本文編號(hào)：1926080