自动化与仪器仪表
自動化與儀器儀錶
자동화여의기의표
AUTOMATION & INSTRUMENTATION
2014年
12期
44-47
,共4页
特征提取%奇异值熵%样本熵%RBF神经网络
特徵提取%奇異值熵%樣本熵%RBF神經網絡
특정제취%기이치적%양본적%RBF신경망락
Feature extraction%Entropy of singular values%Sample entropy%RBF neural network
对电机故障做出正确的诊断,特征提取是关键.本文将奇异值熵和样本熵相结合,作为振动信号的特征参数,首先提取了能够全面反映电机故障的特征信息,然后结合RBF神经网络,对电机的轴承故障进行了诊断.最后通过仿真实验证明,奇异值熵和样本熵相结合的特征提取方法,提高了电机故障诊断的准确率,减少了RBF神经网络的学习步数,从而为电机在线故障诊断提供了有效方法.
對電機故障做齣正確的診斷,特徵提取是關鍵.本文將奇異值熵和樣本熵相結閤,作為振動信號的特徵參數,首先提取瞭能夠全麵反映電機故障的特徵信息,然後結閤RBF神經網絡,對電機的軸承故障進行瞭診斷.最後通過倣真實驗證明,奇異值熵和樣本熵相結閤的特徵提取方法,提高瞭電機故障診斷的準確率,減少瞭RBF神經網絡的學習步數,從而為電機在線故障診斷提供瞭有效方法.
대전궤고장주출정학적진단,특정제취시관건.본문장기이치적화양본적상결합,작위진동신호적특정삼수,수선제취료능구전면반영전궤고장적특정신식,연후결합RBF신경망락,대전궤적축승고장진행료진단.최후통과방진실험증명,기이치적화양본적상결합적특정제취방법,제고료전궤고장진단적준학솔,감소료RBF신경망락적학습보수,종이위전궤재선고장진단제공료유효방법.
