| 基于特征熵和优化SVM的轴承故障诊断方法 |
| |
| 引用本文： | 吴国洋.基于特征熵和优化SVM的轴承故障诊断方法[J].兰州理工大学学报,2013,39(4):32-36. |
| |
| 作者姓名： | 吴国洋 |
| |
| 作者单位： | 攀枝花学院材料工程学院,四川攀枝花,617000 |
| |
| 摘 要： | 为了对轴承的故障进行有效的识别,提出基于特征熵和优化支持向量机的轴承故障识别新方法.利用EMD分解信号提取分解信号的能量熵,由于这些熵值之间冗余信息较为严重,因此选用主成分分析对这些熵信息进行约简,提取最有效的特征信息,作为支持向量机模型的输入.通过粒子群优化选取最优决策树构造最佳的支持向量机分类模型进行状态的识别和判定,提高了分类的精确度.通过一个滚动轴承的实例说明方法的有效性和准确性.
|
| 关 键 词： | 轴承 故障诊断 主成分 粒子群 支持向量机 |
Bearing fault diagnosis method based on characteristic entropy and optimized support vector machine |
| |
| WU Guo-yang.Bearing fault diagnosis method based on characteristic entropy and optimized support vector machine[J].Journal of Lanzhou University of Technology,2013,39(4):32-36. |
| |
| Authors: | WU Guo-yang |
| |
| Institution: | WU Guo-yang(College of Materials Engineering,Panzhihua University,Panzhihua 617000,China) |
| |
| Abstract: | |
| |
| Keywords: | bearing fault diagnosis principal component particle swarm support vector machine |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
|
