为了提高滚动轴承健康状态评估的分类精度,提出了基于局部均值分解(Local mean decomposition,简称LMD)和具有故障样本的支持向量数据描述(Support Vector Data Description,简称SVDD)相结合的滚动轴承故障状态识别方法。该方法首先将利...为了提高滚动轴承健康状态评估的分类精度,提出了基于局部均值分解(Local mean decomposition,简称LMD)和具有故障样本的支持向量数据描述(Support Vector Data Description,简称SVDD)相结合的滚动轴承故障状态识别方法。该方法首先将利用LMD方法进行滚动轴承振动信号的分解,得到一系列PF(乘积函数,product function)分量之和并具有物理意义,接下来对含有主要故障信息的PF分量进行能量计算并构造特征向量,最后将其输入SVDD分类器,进行滚动轴承的健康状态评估。实验结果证明该方法的可行性和有效性。展开更多
为了提高一类支持向量数据描述(Support vector data description,SVDD)对未知样本的决策速度,本文从样本的核特征空间出发,利用核超球球心在原始样本特征空间中的原像,提出一种SVDD的快速决策方法(Fast decision approach of SVDD,FDA-...为了提高一类支持向量数据描述(Support vector data description,SVDD)对未知样本的决策速度,本文从样本的核特征空间出发,利用核超球球心在原始样本特征空间中的原像,提出一种SVDD的快速决策方法(Fast decision approach of SVDD,FDA-SVDD),使得SVDD的决策复杂度从O(n)降低到O(1).同时,对球心原像所在空间进行了分析,并在此基础上给出了两种原像逼近方法.多种真实数据集实验表明,FDA-SVDD方法在保证测试精度的同时,能快速实现对未知样本的决策.展开更多
文摘为了提高滚动轴承健康状态评估的分类精度,提出了基于局部均值分解(Local mean decomposition,简称LMD)和具有故障样本的支持向量数据描述(Support Vector Data Description,简称SVDD)相结合的滚动轴承故障状态识别方法。该方法首先将利用LMD方法进行滚动轴承振动信号的分解,得到一系列PF(乘积函数,product function)分量之和并具有物理意义,接下来对含有主要故障信息的PF分量进行能量计算并构造特征向量,最后将其输入SVDD分类器,进行滚动轴承的健康状态评估。实验结果证明该方法的可行性和有效性。
文摘为了提高一类支持向量数据描述(Support vector data description,SVDD)对未知样本的决策速度,本文从样本的核特征空间出发,利用核超球球心在原始样本特征空间中的原像,提出一种SVDD的快速决策方法(Fast decision approach of SVDD,FDA-SVDD),使得SVDD的决策复杂度从O(n)降低到O(1).同时,对球心原像所在空间进行了分析,并在此基础上给出了两种原像逼近方法.多种真实数据集实验表明,FDA-SVDD方法在保证测试精度的同时,能快速实现对未知样本的决策.
