本文關(guān)鍵詞：數(shù)據(jù)集不均衡下的設備故障程度識別方法研究

  更多相關(guān)文章： 故障診斷 故障程度識別 數(shù)據(jù)集不均衡 二叉樹加權(quán)支持向量機

【摘要】：在機械故障診斷中,由于故障樣本難以收集且數(shù)量遠遠少于正常樣本,即產(chǎn)生數(shù)據(jù)集不均衡問題。這將導致傳統(tǒng)的分類算法如支持向量機(SVM)在處理不均衡分類問題時對少數(shù)類樣本(故障樣本)的分類準確率過低。加權(quán)支持向量機(C-SVM)算法是一種處理樣本集不均衡問題的常用算法,可以在一定程度上改善少數(shù)類樣本的分類準確率。但是在故障程度相近時會導致樣本間距過小,加權(quán)C-SVM算法對這類故障樣本的識別精度不理想。為提高數(shù)據(jù)集不均衡下故障程度相近樣本的分類準確率,采用二叉樹結(jié)構(gòu)與加權(quán)C-SVM相結(jié)合的方法,綜合考慮樣本類間距離、類內(nèi)距離和不均衡程度,優(yōu)化二叉樹結(jié)構(gòu)。結(jié)果表明,該算法能夠有效處理樣本距離過近的不均衡數(shù)據(jù)集分類問題,從而提高了故障程度相近樣本的分類準確率。
【作者單位】： 中國石油大學(北京)機械與儲運工程學院;中國特種設備檢測研究院;
【關(guān)鍵詞】： 故障診斷 故障程度識別 數(shù)據(jù)集不均衡 二叉樹加權(quán)支持向量機
【基金】：國家自然科學基金項目(51005247) 中國石油大學(北京)科研基金資助(2462015YQ0403;2462014YJRC039)
【分類號】：TH17
【正文快照】： 轉(zhuǎn)子不平衡是旋轉(zhuǎn)機械中最常見的故障之一,正確識別轉(zhuǎn)子不平衡故障程度,是對設備進行視情維修的前提條件[1-2]。在故障程度相近時,不同類別的樣本相似度很高,且距離較近,在進行分類時很容易將其誤分成其他類別。在工程實際中,故障樣本的數(shù)量遠遠少于正常樣本,并且當準備收集異

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 蔣宇;李志雄;唐茗;李力;;EMD下軸承故障程度診斷技術(shù)的研究[J];機床與液壓;2009年08期

2 何玉靈;萬書亭;唐貴基;向玲;;基于定子振動特性的汽輪發(fā)電機氣隙偏心故障程度鑒定方法研究[J];振動與沖擊;2012年22期

3 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 董廣明;陳進;;支撐座連接螺釘組松動故障程度的特征提取實驗研究[A];2008年全國振動工程及應用學術(shù)會議暨第十一屆全國設備故障診斷學術(shù)會議論文集[C];2008年

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 車勛建;基于有序決策樹的故障程度診斷研究[D];哈爾濱工業(yè)大學;2011年

2 佟佩聲;滾動軸承變工況條件下靜電監(jiān)測特征提取及故障程度識別方法研究[D];南京航空航天大學;2014年

，

本文編號：705597