2.845

2023影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于内禀模态奇异值分解和支持向量机的故障诊断方法

程军圣 于德介 杨宇

程军圣, 于德介, 杨宇. 基于内禀模态奇异值分解和支持向量机的故障诊断方法. 自动化学报, 2006, 32(3): 475-480.
引用本文: 程军圣, 于德介, 杨宇. 基于内禀模态奇异值分解和支持向量机的故障诊断方法. 自动化学报, 2006, 32(3): 475-480.
CHENG Jun-Sheng, YU De-Jie, YANG Yu. Fault Diagnosis Approach Based on Intrinsic Mode Singular Value Decomposition and Support Vector Machines. ACTA AUTOMATICA SINICA, 2006, 32(3): 475-480.
Citation: CHENG Jun-Sheng, YU De-Jie, YANG Yu. Fault Diagnosis Approach Based on Intrinsic Mode Singular Value Decomposition and Support Vector Machines. ACTA AUTOMATICA SINICA, 2006, 32(3): 475-480.

基于内禀模态奇异值分解和支持向量机的故障诊断方法

详细信息
    通讯作者:

    程军圣,

Fault Diagnosis Approach Based on Intrinsic Mode Singular Value Decomposition and Support Vector Machines

More Information
    Corresponding author: CHENG Jun-Sheng
  • 摘要: 提出了一种基于内禀模态(Intrinsic mode functions,简称IMFs)奇异值分解和支持向量机(Support vector machine,简称SVM)的故障诊断方法.采用经验模态分解(Empirical mode decomposition,简称EMD)方法对旋转机械故障振动信号进行分解,将得到的若干个内禀模态分量自动形成初始特征向量矩阵,然后对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并进一步根据支持向量机分类器的输出结果来判断旋转机械的工作状态和故障类型.对齿轮振动信号的分析结果表明,即使在小样本情况下,基于内禀模态奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.
  • 加载中
计量
  • 文章访问数:  3629
  • HTML全文浏览量:  150
  • PDF下载量:  1838
  • 被引次数: 0
出版历程
  • 收稿日期:  2005-05-15
  • 修回日期:  2005-12-06
  • 刊出日期:  2006-05-20

目录

    /

    返回文章
    返回