电网与清洁能源
電網與清潔能源
전망여청길능원
ADVANCES OF POWER SYSTEM & HYDROELECTRIC ENGINEERING
2013年
4期
62-66
,共5页
水轮发电机滚动轴承%经验模态分解%BP神经网络%支持向量机
水輪髮電機滾動軸承%經驗模態分解%BP神經網絡%支持嚮量機
수륜발전궤곤동축승%경험모태분해%BP신경망락%지지향량궤
支持向量机(SVM)与BP神经网络相比各有优缺点,通过对支持向量机和BP神经网络在水轮发电机滚动轴承故障诊断中的仿真实验,来对比两者在轴承故障诊断上的泛化能力.首先通过应用经验模态分解(EMD)的方法将轴承振动信号进行分解,得到本征模函数(IMF),再将IMF的平均能量值作为故障特征向量.将这些特征向量作为支持向量机和BP神经网络的学习样本.经过仿真研究结果表明,在小样本集的前提下,支持向量机在轴承故障诊断中的精确度不但受样本数量变动的影响较小,准确度也高于BP神经网络,具有较强的泛化能力.对水轮发电机滚动轴承故障诊断模型的应优先考虑选择SVM.
支持嚮量機(SVM)與BP神經網絡相比各有優缺點,通過對支持嚮量機和BP神經網絡在水輪髮電機滾動軸承故障診斷中的倣真實驗,來對比兩者在軸承故障診斷上的汎化能力.首先通過應用經驗模態分解(EMD)的方法將軸承振動信號進行分解,得到本徵模函數(IMF),再將IMF的平均能量值作為故障特徵嚮量.將這些特徵嚮量作為支持嚮量機和BP神經網絡的學習樣本.經過倣真研究結果錶明,在小樣本集的前提下,支持嚮量機在軸承故障診斷中的精確度不但受樣本數量變動的影響較小,準確度也高于BP神經網絡,具有較彊的汎化能力.對水輪髮電機滾動軸承故障診斷模型的應優先攷慮選擇SVM.
지지향량궤(SVM)여BP신경망락상비각유우결점,통과대지지향량궤화BP신경망락재수륜발전궤곤동축승고장진단중적방진실험,래대비량자재축승고장진단상적범화능력.수선통과응용경험모태분해(EMD)적방법장축승진동신호진행분해,득도본정모함수(IMF),재장IMF적평균능량치작위고장특정향량.장저사특정향량작위지지향량궤화BP신경망락적학습양본.경과방진연구결과표명,재소양본집적전제하,지지향량궤재축승고장진단중적정학도불단수양본수량변동적영향교소,준학도야고우BP신경망락,구유교강적범화능력.대수륜발전궤곤동축승고장진단모형적응우선고필선택SVM.
