科技广场
科技廣場
과기엄장
SCIENCE TECHNOLOGY PLAZA
2013年
5期
170-173
,共4页
SV M%R B F%故障诊断
SV M%R B F%故障診斷
SV M%R B F%고장진단
SV M%R B F%FaultD iagnosis
在机械设备的故障诊断中，常采用R B F神经网络算法对故障进行诊断和计算，但该算法实现故障诊断必须有大量的故障样本，同时还有训练速度慢、结构确定难、容易陷入局部极小、泛化能力差等缺点。相反，SV M 不仅能解决小样本的问题，并且还有全局最优、泛化能力强等优点。为此，本文提出一种基于SV M 的R B F神经网络的优化方法，并将它应用齿轮箱中的齿轮故障诊断，取得了良好的预期效果。
在機械設備的故障診斷中，常採用R B F神經網絡算法對故障進行診斷和計算，但該算法實現故障診斷必鬚有大量的故障樣本，同時還有訓練速度慢、結構確定難、容易陷入跼部極小、汎化能力差等缺點。相反，SV M 不僅能解決小樣本的問題，併且還有全跼最優、汎化能力彊等優點。為此，本文提齣一種基于SV M 的R B F神經網絡的優化方法，併將它應用齒輪箱中的齒輪故障診斷，取得瞭良好的預期效果。
재궤계설비적고장진단중，상채용R B F신경망락산법대고장진행진단화계산，단해산법실현고장진단필수유대량적고장양본，동시환유훈련속도만、결구학정난、용역함입국부겁소、범화능력차등결점。상반，SV M 불부능해결소양본적문제，병차환유전국최우、범화능력강등우점。위차，본문제출일충기우SV M 적R B F신경망락적우화방법，병장타응용치륜상중적치륜고장진단，취득료량호적예기효과。
In the faultdiagnosis of m echanicalequipm ent,R B F neuralnetw ork algorithm and calculation of faultdiagnosisw asoften used, butthe algorithm m usthave a lotoffaultsam ples,and the training isslow ,difficult to determ ine the structure,easy to fallinto localm inim um and generalization ability is poor.In contrast,SV M can solve the problem ofsm allsam ples,and itis globaloptim ization,strong ability ofgeneralization.Therefore,this paperpresentsa R B F neuralnetw ork optim ization m ethod based on SV M ,apply itin the gearbox gearfaultdiag-nosis,and achieved good expected effect.
