本文選題：高斯混合模型　切入點(diǎn)：統(tǒng)計(jì)特征量　出處：《重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))》2016年03期 　論文類型：期刊論文

【摘要】：為提高軸承復(fù)雜故障的診斷準(zhǔn)確率,將高斯混合模型與改進(jìn)網(wǎng)格搜索法相結(jié)合,開(kāi)展了軸承故障診斷方法的研究,對(duì)不同情況下的軸承故障進(jìn)行了診斷。首先將采集的數(shù)據(jù)進(jìn)行了適當(dāng)分段,利用混合高斯分布擬合各段數(shù)據(jù),提取統(tǒng)計(jì)特征量作為故障特征指標(biāo);然后分別采用普通網(wǎng)格搜索法和改進(jìn)的網(wǎng)格搜索法進(jìn)行參數(shù)優(yōu)化;最后以支持向量機(jī)作為分類器對(duì)軸承故障進(jìn)行了診斷,并將2種優(yōu)化算法的準(zhǔn)確率進(jìn)行了對(duì)比。結(jié)果表明:所提出的故障診斷方法準(zhǔn)確率更高。
[Abstract]:In order to improve the accuracy of bearing fault diagnosis, the research of bearing fault diagnosis method was carried out by combining Gao Si mixed model with improved mesh search method. The bearing fault is diagnosed under different conditions. Firstly, the collected data are segmented properly, and the mixed Gao Si distribution is used to fit the data, and the statistical characteristic quantity is extracted as the fault feature index. Then the common mesh search method and the improved grid search method are used to optimize the parameters. Finally, support vector machine is used as the classifier to diagnose the bearing fault. The accuracy of the two optimization algorithms is compared and the results show that the proposed fault diagnosis method has higher accuracy.
【作者單位】： 南京航空航天大學(xué);
【基金】：中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(NZ2015103) 機(jī)械結(jié)構(gòu)強(qiáng)度與振動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題資助項(xiàng)目(SV2015-KF-01)
【分類號(hào)】：TH133.3;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬超;張政石;;基于二維高斯混合模型的駕駛行為分析[J];硅谷;2011年05期

2 曾洪;盧偉;宋愛(ài)國(guó);;基于完整似然最短信息長(zhǎng)度準(zhǔn)則的高斯混合模型聚類(英文)[J];Journal of Southeast University(English Edition);2013年01期

3 仲莉恩;隋立林;;基于高斯混合模型陰影消除算法研究[J];中國(guó)電力教育;2009年S2期

4 邵妍;霍春寶;金曦;;基于改進(jìn)的高斯混合模型算法的說(shuō)話人識(shí)別[J];遼寧工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

5 徐保勇;王媛麗;王平;高穎慧;范慶明;;基于高斯混合模型機(jī)載下視運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J];重慶理工大學(xué)學(xué)報(bào)(自然科學(xué));2011年11期

6 何明;馮博琴;馬兆豐;傅向華;;一種基于高斯混合模型的無(wú)監(jiān)督粗糙聚類方法[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2006年02期

7 吳迪;曹潔;王進(jìn)花;;基于自適應(yīng)高斯混合模型與靜動(dòng)態(tài)聽(tīng)覺(jué)特征融合的說(shuō)話人識(shí)別[J];光學(xué)精密工程;2013年06期

8 張曉娜;何仁;劉志強(qiáng);陳士安;倪捷;;基于空間信息高斯混合模型的運(yùn)動(dòng)車輛檢測(cè)[J];江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

9 於躍成;劉彩生;生佳根;;分布式約束一致高斯混合模型[J];南京理工大學(xué)學(xué)報(bào);2013年06期

10 董宏輝;孫智源;葛大偉;秦勇;賈利民;;基于高斯混合模型的鐵路入侵物體目標(biāo)識(shí)別方法[J];中國(guó)鐵道科學(xué);2011年02期

相關(guān)會(huì)議論文 前10條

1 駱俊;馬盡文;;高斯混合模型的遺傳分基融合算法[A];第十二屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

2 廖頻;沈理;;基于高斯混合模型的人臉圖象識(shí)別研究[A];2001年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2001年

3 馬盡文;何學(xué)鋒;;高斯混合模型的數(shù)據(jù)尺度可壓縮參數(shù)學(xué)習(xí)算法[A];第十四屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

4 瞿俊;姜青山;董槐林;;基于高斯混合模型的層次聚類算法[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2006年

5 蔡念;郭文婷;陳世文;潘晴;;融合高斯混合模型和小波變換的運(yùn)動(dòng)目標(biāo)檢測(cè)[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

6 龍艷花;郭武;戴禮榮;;一種應(yīng)用于SVM說(shuō)話者確認(rèn)系統(tǒng)的新型序列核[A];第九屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集[C];2007年

7 劉李漫;陶文兵;田金文;;融合多高斯混合模型與Graph Cuts優(yōu)化技術(shù)的目標(biāo)自動(dòng)檢測(cè)方法[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

8 康永國(guó);雙志偉;陶建華;張維;徐波;;高斯混合模型和碼本映射相結(jié)合的語(yǔ)音轉(zhuǎn)換算法[A];第八屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集[C];2005年

9 應(yīng)冬文;顏永紅;付強(qiáng);國(guó)雁萌;;基于約束高斯混合模型的噪聲功率譜估計(jì)[A];2010年通信理論與信號(hào)處理學(xué)術(shù)年會(huì)論文集[C];2010年

10 唐英干;劉東;關(guān)新平;;基于高斯混合模型的多分辨率圖像分割[A];第十二屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

，

本文編號(hào)：1601255