-
公开(公告)号：CN106127176A
公开(公告)日：2016-11-16
申请号：CN201610513459.0
申请日：2016-07-04
Applicant: 燕山大学
CPC classification number: G06K9/00536 , G06K9/6269
Abstract: 一种基于PSO‑SVM和分形盒维数的变载荷工况下齿轮故障诊断方法，包括以下步骤：1、通过齿轮振动时域图的峭度对齿轮带负载类型进行分类；2、求每种负载类型下的时域振动信号的分形盒维数、裕度因子、峰值因子、波形因子、脉冲因子等特征参数作为故障分类指标；3、进行基于粒子群优化支持向量机(PSO‑SVM)模型的搭建与训练，每一种负载类型建立一个PSO‑SVM，将步骤2得到的故障分类指标输入到相应的PSO‑SVM中进行故障分类。本发明方法能够很好地对变载荷下的齿轮故障类型进行分类，解决了变载荷激励下齿轮故障难以诊断的问题。
-
公开(公告)号：CN106124212A
公开(公告)日：2016-11-16
申请号：CN201610424089.3
申请日：2016-06-16
Applicant: 燕山大学
CPC classification number: G01M13/045 , G06K9/6269
Abstract: 一种基于稀疏编码器和支持向量机的滚动轴承故障诊断方法，采用基于层叠稀疏自动编码器的深度学习自主认知的方法，由简单到复杂、由低级到高级自动地提取输入数据的本质特征，自动挖掘出隐藏在已知数据中的丰富信息；采用深度学习提取特征并将两层学习到的特征综合到一起构成支持向量机的输入，通过支持向量机分类从而可以判断滚动轴承的工作状态和故障类型。本发明方法能提高故障特征提取效率和准确率。
-
公开(公告)号：CN106124212B
公开(公告)日：2018-09-04
申请号：CN201610424089.3
申请日：2016-06-16
Applicant: 燕山大学
Abstract: 一种基于稀疏编码器和支持向量机的滚动轴承故障诊断方法，采用基于层叠稀疏自动编码器的深度学习自主认知的方法，由简单到复杂、由低级到高级自动地提取输入数据的本质特征，自动挖掘出隐藏在已知数据中的丰富信息；采用深度学习提取特征并将两层学习到的特征综合到一起构成支持向量机的输入，通过支持向量机分类从而可以判断滚动轴承的工作状态和故障类型。本发明方法能提高故障特征提取效率和准确率。
-
公开(公告)号：CN106127176B
公开(公告)日：2019-03-22
申请号：CN201610513459.0
申请日：2016-07-04
Applicant: 燕山大学
Abstract: 一种基于PSO‑SVM和分形盒维数的变载荷工况下齿轮故障诊断方法，包括以下步骤：1、通过齿轮振动时域图的峭度对齿轮带负载类型进行分类；2、求每种负载类型下的时域振动信号的分形盒维数、裕度因子、峰值因子、波形因子、脉冲因子等特征参数作为故障分类指标；3、进行基于粒子群优化支持向量机(PSO‑SVM)模型的搭建与训练，每一种负载类型建立一个PSO‑SVM，将步骤2得到的故障分类指标输入到相应的PSO‑SVM中进行故障分类。本发明方法能够很好地对变载荷下的齿轮故障类型进行分类，解决了变载荷激励下齿轮故障难以诊断的问题。
-
-
-
Search Results
4
records
(took 0.015 seconds)
