机械故障矢功率谱-支持向量机识别方法研究.pdfVIP

维普资讯 214 2007，43(8) Compu~rEn#nee~ngandApplications计算机工程与应用 向量机识别方法研究 Research InstituteofVibrationEngineering，ZhengzhouUniversity，Zhengzhou450002，China LIZhi-tmng，HAN Jie，PAN Yu-na，eta1．Vectorpowerspectrum-supportvectormachinerecognitionmethod inmachine faultdlagnoMs．ComputerEngineeringandApplications，2007，43(8)：214—216． Abstract：Comparedwithhtetraditionalpowerspectrum，tllevectorpowerspectrum canfusehtepowerinformationfrom different channels，andreflcetmore comprehensiveinformation．TheSupportVectorMachine(SVM)isapowerfultoolforsolvinghtesmall- samplefault~ ognition．Here，combiningvectorpowerspectrum and SVM ，a new faultdiagnosisapproach isproposed，htisap- proaeh is+htathtevectorpowerspectrum isused aseigenvectors，SVM asa classifier．Th epropo sed approach has been success— fullyappliedtohtefaultdiangosisofrotatingmachinery．Inaddit~n，tlleproposedapproachiscomparedwiht hterecognition ap— procehbasedOilhtevectorpowerspectrum andRadial BasisFunctionNetwork (RBFN)．Theexperimentresultshowshtathte proposedapproach isveryeffective，especiallyin htesmallsamples． Keywords：vectorpowerspectrum；SupportVectorMachine(SVM)；faultdiagnosis；infomrationfusion 摘 要：与传统功率谱相比，矢功率谱融合了多通道的能量信息，反映的信息更全面。而支持向量机为解决机械故障诊断中有限的 故障样本识别问题提供 了一种有力的工具。基于此，结合矢功率谱和支持向量机，提出了一种故障诊断的新方法。该方法是以矢功 率谱作为特征输入到支持向量机的多故障分类器进行故障识别，并应用到旋转机械故障诊断中。同时，该方法还与基于矢功率谱 的径向基函数网络识别结果进行了比较 ，实验结果表明，该方法是有效的，尤其在小样本情况下，SVM识别效果明显优于径向基函 数 网络。 关键词：矢功率谱；支持向量机；故障诊断；信息融合 文章编号：1002—8331(2007)08-0214—03 文献标识码：A 中图分类号：TH165．3；TN911；TH17 1 引言 更全面。 随着机械设备的自动化程度的Et益提高，设备结构的大型 故障诊断的实质是模式识别，而不同故障的识别是建立在 化、复杂化迅速增加。在故障诊断领域，若仍采用单一的传感器 大量样本的基础上 ，而在故障诊断领域，要获得各种机械设备 采集信息。显然已不能满足要求，诊断的可信度要大大降低。因 大量的典型故障样本是很困难的。因此，一些理论上很优秀的 此。采用数据融合技术对多信息资源进行综合处理，为解决诊 学习方法在实际应用中的表现却往往不尽人意。统计学习理论 断的可信度提供了一种有效的方法。 为解决少样本学习问题提供了一个统一的框架 ，有望帮助解