-
题名深度支持向量机在齿轮故障诊断中的应用
被引量：15
- 1
-
-
作者
于磊
陈森
张瑞
李可
宿磊
-
机构
江南大学机械工程学院
东华大学机械工程学院
-
出处
《机械传动》
北大核心
2019年第8期150-156,共7页
-
基金
国家自然科学基金(51775243)
江苏省重点研发计划-产业前瞻与共性关键技术(BF2017002)
-
文摘
针对齿轮箱故障诊断中存在的早期非平稳微弱故障信号特征提取困难,易受强背景噪声干扰,故障诊断精度较低等问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和深度支持向量机(Deep Support Vector Machine,DSVM)的齿轮箱故障诊断方法。首先,利用VMD将原始振动信号分解成若干个频率尺度的本征模态(Intrinsic Mode Function,IMF)分量,并根据峭度最大准则选取IMF分量对信号进行重构;构建多层支持向量机结构,在输入层利用支持向量机对信号进行训练,学习信号的浅层特征,利用"特征提取公式"生成样本新的表示,并作为隐藏层的输入,逐层利用深层SVM对新样本训练并学习信号的深层特征,最终由输出层输出诊断结果。最后,通过齿轮箱故障诊断实验验证了该方法的有效性。
-
关键词
故障诊断
变分模态分解
峭度
深度支持向量机
齿轮箱
-
Keywords
Fault diagnosis
VMD
Kurtosis
Deep support vector machine
Gearbox
-
分类号
TH132.41
[机械工程—机械制造及自动化]
-
-
题名基于深度支持向量机的曲轴智能识别方法
被引量：7
- 2
-
-
作者
杨泽青
王春方
彭凯
刘丽冰
张亚彬
-
机构
河北工业大学机械工程学院
机械工业仪器仪表综合技术经济研究所
-
出处
《计算机集成制造系统》
EI
CSCD
北大核心
2021年第6期1629-1640,共12页
-
基金
河北省自然科学基金资助项目(E2017202294)
河北省青年拔尖人才资助项目(210014)
国家自然科学基金资助项目(51305124)。
-
文摘
针对拓扑形状结构相似、仅在局部细节上有差别的曲轴识别问题,提出一种基于特征融合的深度支持向量机(DSVM)识别方法,该方法将深度神经网络与多个支持向量机(SVM)相结合构成一种网络模型,通过最大限度地利用支持向量结构风险最小化原理提取深层特征,以建立特征和目标值之间的复杂非线性映射关系,保证模型的泛化能力。该模型包含数据的输入层、隐藏层和输出层,为获得较好的曲轴图像局部细节边缘检测效果,从滤波、梯度计算、自动获取高低阈值等方面对传统Canny边缘检测算法进行改进,进而提取边缘的Hu矩、傅里叶描述子和尺寸特征,通过串行融合和特征筛选方法对提取到的3类特征进行优化组合并做归一化处理,作为DSVM模型的输入向量用于训练最浅层的SVM;高层的特征由低层的支持向量映射产生,实现逐层的训练学习,通过反向传播算法对网络进行更新,由判别函数输出网络的分类识别结果。通过设计曲轴图像采集方案,建立了5类曲轴样本数据集,并验证了模型的性能。实验结果表明,该模型识别精度可达99.6%,相较于单一的SVM和AlexNet分别提高了6.6%和3.1%,识别时间为93 ms,符合再制造废旧零件修复或改造柔性生产线中对曲轴识别的要求。
-
关键词
深度支持向量机
智能识别
曲轴
特征融合
再制造
-
Keywords
deep support vector machine
intelligent recognition
crankshaft
feature fusion
remanufacturing
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名EDWNN和DW-SVM在轴承故障诊断中的应用
被引量：3
- 3
-
-
作者
杜小磊
陈志刚
张楠
许旭
-
机构
北京建筑大学机电与车辆工程学院
北京市建筑安全监测工程技术研究中心
-
出处
《轴承》
北大核心
2019年第11期60-67,共8页
-
基金
国家自然科学基金项目(51605022)
北京市教育委员会科技计划一般项目(SQKM201710016014)
北京市优秀人才培养项目(2013D005017000013)
-
文摘
针对传统滚动轴承故障诊断方法过度依赖专家经验,故障特征提取及选取困难的问题,提出一种基于集成深度小波神经网络和深度小波支持向量机的滚动轴承故障诊断方法。首先,利用不同的小波函数设计不同的改进小波自编码器,并构造相应的深度小波神经网络;然后,将轴承振动信号输入各深度小波神经网络进行无监督特征学习并进行微调;最后,将每个深度小波神经网络的顶层特征融合,输入深度小波支持向量机分类器实现对轴承故障的自动识别。试验结果表明,该方法能够对滚动轴承进行多工况及多种故障程度的有效识别,特征提取能力和识别能力优于浅层人工神经网络、支持向量机等传统方法以及深度信念网络、深度稀疏自编码器等深度学习模型。
-
关键词
滚动轴承
故障诊断
深度小波神经网络
深度小波支持向量机
-
Keywords
rolling bearing
fault diagnosis
deep wavelet neural network
deep wavelet support vector machine
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TP391.77
[自动化与计算机技术—计算机应用技术]
-
-
题名基于DBN-SVM的航班延误内在模式分析
被引量：1
- 4
-
-
作者
朱代武
陈泽晖
刘豪
-
机构
中国民用航空飞行学院
-
出处
《航空计算技术》
2022年第1期36-40,共5页
-
基金
民航局安全能力建设项目项目资助(14002600100015J013)。
-
文摘
空中交通系统作为典型复杂系统,其非线性聚合的动力学特征给延误预测带来挑战,使延误预测问题保持着开放性。对于航班延误这类考虑多因素的问题,研究采用深度置信网络支持向量机(DBN SVM)回归方法建立航班延误预测模型,方法用来挖掘航班延误的内在模式,将支持向量回归嵌入到开发的模型中,使其能够在提出的预测体系结构中执行有监督的微调,并将交通管理措施(TMI)中一些关键影响因素,作为高斯伯努利(GBRBM)的隐藏层,作为模型的下一个可见层,将TMI关键因素添加至模型中,有助于减少整体延迟。对于测试集的不平衡高维数据集,研究将采用准确性,敏感性来评估因变量和解释变量之间的关系,最后数据表明DBN SVM模型的延误预测准确度达到89.39%,可为流量管理自动化计算提供一定理论依据。
-
关键词
空中交通管理
航班延误预测
深度置信网络支持向量机
数据挖掘
-
Keywords
air traffic management
delay prediction
deep belief learning support vector machine
data mining
-
分类号
V355
[航空宇航科学与技术—人机与环境工程]
-
