交大毕业论文答辩模板.pptVIP

（1）采用S变换对信号进行时频分析，可以清晰地提取轴承故障信号中的冲击成分，并能分析信号频率成分随时间的变化情况。 （2）由S变换方法获得的信号时频分布从低频到高频均具有较高的时频分辨率和时频聚集性，效果清晰直观。 局部保持投影（LPP） 原理：秉承距离相近的点均有相似性的观点，利用线性映射将高维数据投影至低维空间中，低维数据便既能用于分类，又能保持原来的局部几何结构。 基于S变换和LPP的智能诊断方法 径向基神经网络 （RBF） 特点：能够逼近任意的非线性函数，网络结构简单、训练简洁，学习速率比BP神经网络快103 -104倍 。 基于S变换和LPP的智能诊断方法 图3-1 RBF神经网络结构图 基于S变换和LPP的智能诊断模型建立步骤 图3-2 诊断模型 RBF神经网络模型建立 输入层神经元个数取10；输出层神经元个数取4；扩展速度SPREAD依据试验结果取9。 图3-3 训练集100次测试结果 实验结果分析 测试结果如下图： 图3-4 测试集诊断结果 实验结果表明：总体诊断精度达到了100%，本节所提出的基于S变换和LPP的滚动轴承智能诊断方法能够对所有的4种滚动轴承状态实现正确识别，在工程实际应用中可以减小机械设备发生误诊断概率。 与基于WV分布和LPP特征提取方法诊断结果对比 各轴承状态识别精度（100%） 特征提取方法 S变换+