《表3 采用各方法降噪后的故障诊断正确率》
轴承故障信号降噪是故障诊断的预处理,其最终目标是使故障特征更加明显,提升故障诊断的正确性,因此也可以通过正确率来判断改进算法的优劣性。能量可以反映时间序列的复杂度,能够作为故障特征指标,为了减小特征提取带来的实验误差,因此仅将小波分解的各层能量作为分类器的特征向量。验证实验选择最小二乘支持向量机(LSSVM)作为分类器,其中,核函数为高斯核函数(RBF)。实验的故障类型分别是外圈故障、内圈故障和滚珠故障。每种故障分别选取100组振动信号,各组振动信号中包含4000个采样点,20组信号作为分类器的训练样本,剩余80组信号作为分类器的测试样本。对振动信号分别采用硬、软阈值、文献[8-10]和本文提出方法降噪,并将降噪后的小波能量作为特征向量输入到LSSVM中进行模式识别,最终可得到各方法的故障诊断正确率,如表3所示。
图表编号 | XD0082063900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 王普、李天垚、高学金、高慧慧 |
绘制单位 | 北京工业大学信息学部、数字社区教育部工程研究中心、城市轨道交通北京实验室、计算智能与智能系统北京市重点实验室、北京工业大学信息学部、数字社区教育部工程研究中心、城市轨道交通北京实验室、计算智能与智能系统北京市重点实验室、北京工业大学信息学部、数字社区教育部工程研究中心、城市轨道交通北京实验室、计算智能与智能系统北京市重点实验室、北京工业大学信息学部、数字社区教育部工程研究中心、城市轨道交通北京实验室、计算智能与智能系统北京市重点实验室 |
更多格式 | 高清、无水印(增值服务) |