支持向量机
模式识别(心理学)
人工智能
分类器(UML)
计算机科学
数据挖掘
机器学习
出处
期刊:Jixie gongcheng xuebao
[Chinese Journal of Mechanical Engineering]
日期:2018-01-01
卷期号:54 (1): 168-168
被引量:18
标识
DOI:10.3901/jme.2018.09.168
摘要
摘要: 针对轴承振动信号的非线性、非平稳性,提出一种基于多尺度本征模态排列熵和模拟退火优化支持向量机(Simulated annealing-support vector machine,SA-SVM)的列车轴承故障诊断方法。该方法首先对获取的轴承振动信息进行小波降噪处理,接着通过集合经验模态分解(Ensemble empirical mode decompose,EEMD)将去噪信号分解成若干个平稳的本征模态函数(Intrinsic mode function,IMF),并提取多尺度本征模态排列熵作为SVM输入,在用样本训练SVM时,用SA对SVM的核函数进行优化,提高其分类准确率,最终实现智能化故障诊断。试验结果表明,基于多尺度本征模态排列熵和SA-SVM的列车轴承故障诊断方法能准确识别列车轴承故障类型,具有重要的实际工程应用价值。
科研通智能强力驱动
Strongly Powered by AbleSci AI