-
公开(公告)号：CN110082136A
公开(公告)日：2019-08-02
申请号：CN201910318220.1
申请日：2019-04-19
Applicant: 电子科技大学
IPC: G01M99/00 , G01M13/045
Abstract: 本发明公开了一种基于云遗传算法优化支持向量机的旋转机械故障诊断方法，首先在在旋转机械的各个故障状态下从不同传感器提取工作信号，分别进行时频特征提取并约简，得到各个工作信号的特征向量，基于这些特征向量获取每个故障状态的训练样本，分为训练样本集A和训练样本集B，先将训练样本集A作为训练样本，采用云遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数预优化处理，然后再采用训练样本集B进行再次优化从而得到多分类模型，当旋转机械发生故障时从各个传感器提取出特征向量，输入多分类模型得到诊断结果。本发明可以有效提高旋转机械故障诊断的准确度和效率。
-
Patent Agency Ranking
公开(公告)号：CN110032981A
公开(公告)日：2019-07-19
申请号：CN201910318232.4
申请日：2019-04-19
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于改进支持向量机的旋转机械故障识别方法，首先在旋转机械的各个故障状态下从不同传感器提取工作信号，分别进行时频特征提取并约简，得到各个工作信号的特征向量，基于这些特征向量获取每个故障状态的训练样本集和验证样本集，采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化处理，得到多分类模型，当旋转机械发生故障时从各个传感器提取出特征向量，输入多分类模型得到故障识别结果。采用本发明可以有效提高旋转机械故障识别的准确度和效率。
-
公开(公告)号：CN110082136B
公开(公告)日：2021-03-30
申请号：CN201910318220.1
申请日：2019-04-19
Applicant: 电子科技大学
IPC: G01M99/00 , G01M13/045
Abstract: 本发明公开了一种基于云遗传算法优化支持向量机的旋转机械故障诊断方法，首先在在旋转机械的各个故障状态下从不同传感器提取工作信号，分别进行时频特征提取并约简，得到各个工作信号的特征向量，基于这些特征向量获取每个故障状态的训练样本，分为训练样本集A和训练样本集B，先将训练样本集A作为训练样本，采用云遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数预优化处理，然后再采用训练样本集B进行再次优化从而得到多分类模型，当旋转机械发生故障时从各个传感器提取出特征向量，输入多分类模型得到诊断结果。本发明可以有效提高旋转机械故障诊断的准确度和效率。
-
公开(公告)号：CN110032981B
公开(公告)日：2022-07-26
申请号：CN201910318232.4
申请日：2019-04-19
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于改进支持向量机的旋转机械故障识别方法，首先在旋转机械的各个故障状态下从不同传感器提取工作信号，分别进行时频特征提取并约简，得到各个工作信号的特征向量，基于这些特征向量获取每个故障状态的训练样本集和验证样本集，采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化处理，得到多分类模型，当旋转机械发生故障时从各个传感器提取出特征向量，输入多分类模型得到故障识别结果。采用本发明可以有效提高旋转机械故障识别的准确度和效率。
-
公开(公告)号：CN109596326B
公开(公告)日：2020-06-12
申请号：CN201811451754.3
申请日：2018-11-30
Applicant: 电子科技大学
IPC: G01M13/00 , G01M13/028 , G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于优化结构卷积神经网络的旋转机械故障诊断方法，首先在旋转机械正常状态下和故障状态下采集工作信号，然后转换为灰度图，将灰度图和对应的故障标签作为训练样本对构建的卷积神经网络进行训练；在旋转机械工作过程中，采集工作信号并转换为灰度图，输入训练好的卷积神经网络进行故障诊断。本发明采用将采集得到的旋转机械工作信号转化为灰度图，通过卷积神经网络完成对旋转机械故障的多分类任务。
-
公开(公告)号：CN109596326A
公开(公告)日：2019-04-09
申请号：CN201811451754.3
申请日：2018-11-30
Applicant: 电子科技大学
IPC: G01M13/00 , G01M13/028 , G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于优化结构卷积神经网络的旋转机械故障诊断方法，首先在旋转机械正常状态下和故障状态下采集工作信号，然后转换为灰度图，将灰度图和对应的故障标签作为训练样本对构建的卷积神经网络进行训练；在旋转机械工作过程中，采集工作信号并转换为灰度图，输入训练好的卷积神经网络进行故障诊断。本发明采用将采集得到的旋转机械工作信号转化为灰度图，通过卷积神经网络完成对旋转机械故障的多分类任务。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
