排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
为了解决傅里叶变换难以兼顾信号在时域和频域中的全貌和局部化特征以及支持向量机惩罚参数 和核函数参数 选取的问题，提出了基于小波包和GA-SVM的轴承故障诊断方法。首先通过实验采集多种工况下故障轴承和正常轴承的振动信号，从振动信号中提取能够表征轴承运行状态的时频域特征以及基于小波包分析的特征向量来作为GA-SVM的输入，然后在SVM的基础上，针对SVM的惩罚参数和核函数参数在不同应用场景下的取值难以确定的特性，采用了遗传算法对支持向量机进行参数优化的GA-SVM算法进行模式识别。实验结果显示，基于小波包和GA-SVM的轴承故障诊断方法比SVM和BP都具有更高的识别精度。 相似文献
2.
针对机械密封端面全状态先验知识不易获取,正常开启状态下和未打开状态下的先验知识可以获取的特点,以声发射信号作为监测信号,提出基于因子隐马尔可夫模型(FHMM)的机械密封端面磨损状态评估技术.应用经验模态分解(EMD)方法对原始信号进行分离提取,得到准确反映信号的特征信息,将机械密封端面接触状态下的先验特征归一化,并建立因子隐马尔可夫(FHMM)监测模型;根据观察序列对数似然度得到评估密封端面磨损状态性能指标,实现对端面磨损状态的评估.机械密封端面磨损状态监测试验表明:该方法能在仅具备端面接触状态先验知识的情况下,实现对密封端面磨损状态的初步评估,而且所需样本数较少、训练速度快、结果准确、具有较好扩展性. 相似文献
1