-
公开(公告)号：CN107657088B
公开(公告)日：2021-06-11
申请号：CN201710799730.6
申请日：2017-09-07
Applicant: 南京工业大学
IPC: G06F30/27 , G06K9/62 , G01M13/045
Abstract: 本发明公开了基于MCKD算法与支持向量机的滚动轴承故障诊断方法，步骤1)利用最大相关峭度解卷积算法的特性，以信号相关峭度最大化为优化目标，可通过迭代完成振动信号的解卷积运算，突出信号中被强烈噪声所掩盖的连续脉冲，在信噪比较低的信号中，提取出滚动轴承的代表振动特性的特征信号；步骤2)利用支持向量机构建的分类器，完成特征信号的训练与学习，在空间中按类别分类，每一类代表滚动轴承的一种运动状态，从而按照类别以实现滚动轴承故障诊断。本发明支持向量机分类算法参数设置简单，计算复杂度低，诊断的精度高，诊断的结果更直接，在生产制造等领域具有广泛的应用价值。
-
公开(公告)号：CN108805256A
公开(公告)日：2018-11-13
申请号：CN201810890803.7
申请日：2018-08-07
Applicant: 南京工业大学
CPC classification number: G06N3/006 , G06N3/0472 , G06N3/084 , G06Q50/06
Abstract: 本发明提供了一种基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法，步骤包括：建立光伏组件的等效电路模型，筛选出代表故障类型的故障数据；初始化BP神经网络和布谷鸟算法的参数；对BPNN的参数进行编码和优化训练，记录当前最优鸟巢的位置；更新当前鸟巢的位置，选择最优的鸟巢位置来替换较差的鸟巢位置；将最优鸟巢的位置的值赋值给BPNN的权值与阈值；设定输入和输出，训练CS算法优化后的BPNN的模型；输入测试样本，计算误差值，直到完成故障数据到故障状态的映射，输出故障类型结果矩阵。该故障诊断方法利用布谷鸟搜索算法优化后的BP神经网络分类算法参数设置简单，计算复杂度低，收敛速度快，诊断的精度高，诊断的结果更直接。
-
公开(公告)号：CN108805206A
公开(公告)日：2018-11-13
申请号：CN201810608178.2
申请日：2018-06-13
Applicant: 南京工业大学
IPC: G06K9/62 , G01R31/316
CPC classification number: G06K9/6269 , G01R31/316
Abstract: 本发明提供了一种用于模拟电路故障分类的改进型LSSVM建立方法，步骤包括：对待测电路施加两种激励信号并分别设置相应的故障模式，在经过多次蒙特卡罗分析后，采集两种激励信号下的输出响应信号分别作为源域辅助数据集和目标域数据集；对两种输出响应信号分别进行小波包分解，提取故障特征，分别构成训练集样本和测试集样本；在最小二乘支持向量机中引入迁移学习算法，组成新的目标域数据集，再构建改进后的LSSVM分类器；利用训练集样本和测试集样本对改进后的LSSVM分类器进行训练和测试。本发明建立的改进型LSSVM能够自适应地选择相应频带，增强了对信号的分析能力，有利于后续分类，在样本数据较少的情况下，分类准确率要高于传统的LSSVM。
-
公开(公告)号：CN107657088A
公开(公告)日：2018-02-02
申请号：CN201710799730.6
申请日：2017-09-07
Applicant: 南京工业大学
CPC classification number: G06F17/5009 , G06K9/6256 , G06K9/6269
Abstract: 本发明公开了基于MCKD算法与支持向量机的滚动轴承故障诊断方法，步骤1)利用最大相关峭度解卷积算法的特性，以信号相关峭度最大化为优化目标，可通过迭代完成振动信号的解卷积运算，突出信号中被强烈噪声所掩盖的连续脉冲，在信噪比较低的信号中，提取出滚动轴承的代表振动特性的特征信号；步骤2)利用支持向量机构建的分类器，完成特征信号的训练与学习，在空间中按类别分类，每一类代表滚动轴承的一种运动状态，从而按照类别以实现滚动轴承故障诊断。本发明支持向量机分类算法参数设置简单，计算复杂度低，诊断的精度高，诊断的结果更直接，在生产制造等领域具有广泛的应用价值。
-
-
-
Search Results
4
records
(took 0.016 seconds)
