制造业自动化
製造業自動化
제조업자동화
MANUFACTURING AUTOMATION
2014年
10期
48-51,86
,共5页
滚动轴承%EEMD%样本熵%SVM%小波核函数%分类识别
滾動軸承%EEMD%樣本熵%SVM%小波覈函數%分類識彆
곤동축승%EEMD%양본적%SVM%소파핵함수%분류식별
支持向量机(Support Vector Machine,简称SVM)是通过核函数来分类识别非线性样本的，为了提高SVM的分类识别精度，基于平移不变核函数条件，构造和证明了墨西哥草帽小波核函数SVM。实验中采集了轴承正常和内圈、外圈、滚动体点蚀的故障数据，利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition，简称EEMD)和样本熵提取了故障特征信息，将EEMD样本熵作为小波核函数SVM的特征向量进行故障分类识别，并与径向基核函数SVM的分类识别结果进行比较，比较结果表明小波核函数SVM的分类识别准确性更高。
支持嚮量機(Support Vector Machine,簡稱SVM)是通過覈函數來分類識彆非線性樣本的，為瞭提高SVM的分類識彆精度，基于平移不變覈函數條件，構造和證明瞭墨西哥草帽小波覈函數SVM。實驗中採集瞭軸承正常和內圈、外圈、滾動體點蝕的故障數據，利用總體平均經驗模態分解(Ensemble Empirical Mode Decomposition，簡稱EEMD)和樣本熵提取瞭故障特徵信息，將EEMD樣本熵作為小波覈函數SVM的特徵嚮量進行故障分類識彆，併與徑嚮基覈函數SVM的分類識彆結果進行比較，比較結果錶明小波覈函數SVM的分類識彆準確性更高。
지지향량궤(Support Vector Machine,간칭SVM)시통과핵함수래분류식별비선성양본적，위료제고SVM적분류식별정도，기우평이불변핵함수조건，구조화증명료묵서가초모소파핵함수SVM。실험중채집료축승정상화내권、외권、곤동체점식적고장수거，이용총체평균경험모태분해(Ensemble Empirical Mode Decomposition，간칭EEMD)화양본적제취료고장특정신식，장EEMD양본적작위소파핵함수SVM적특정향량진행고장분류식별，병여경향기핵함수SVM적분류식별결과진행비교，비교결과표명소파핵함수SVM적분류식별준학성경고。
