资源简介
针对滚动轴承运行过程中故障难以识别的问题,提出一种最大相关峭度解卷积与改进的最小二乘支持向量机的故障诊断方法。该方法首先利用最大相关峭度解卷积提取不同运行状态下轴承特征信息,然后利用最小二乘支持向量机对提取的特征信息进行监督学习,同时利用改进的布谷鸟搜索算法优化最小二乘支持向量机的核参数和惩罚因子在寻优过程中陷入局部最优、收敛精度差的问题,提升故障诊断的识别率。实测不同运行状态的轴承数据验证方法的有效性,实验结果表明,改进后的算法可有效准确识别滚动轴承各类状态,是一种可靠的轴承故障诊断方法。
代码片段和文件信息
相关资源
- 粒子群优化RBF神经网络的光伏阵列故
- 风力发电机齿轮箱故障诊断方法及信
- KPCA故障诊断程序
- 轴承故障诊断算法模型、程序代码、
- 基于RBF神经网络的航空发动机故障诊
- 机械故障信号小波包分解诊断
- 智能故障诊断专家系统开发平台
- 基于提升模式的非抽样小波变换及其
- 小波包分解并求能量谱
- 煤矿大型机电设备在线监测与故障诊
- 中国铁路机车远程监测与故障诊断系
- S变换在滚动轴承故障诊断上的应用
- 基于改进粒子群神经网络的电力电子
- 基于CLIPS的锅炉故障诊断专家系统应用
- zw_szjmlqb-6705187-PCA故障诊断步骤.zip
- 基于PCA-BP的煤矿热电厂辅机故障组合
- 基于小波和神经网络的齿轮箱故障诊
- 论文研究 - 耦合三阶累积量微分特征
- 断带抓捕器故障诊断系统研究
- 轴承振动信号特征提取及故障诊断研
- 基于机器学习算法的寿命预测与故障
- PCA故障诊断的Python实现
- 基于LabVIEW时频分析的滚动轴承故障诊
- 基于SOM神经网络的发动机故障诊断
- DELL故障诊断灯
- 计算机故障诊断专家系统
- 基于支持向量机的故障诊断及控制技
- 自适应随机共振新方法及其在故障诊
- 基于概率神经网络的柴油机故障诊断
- 利用核主元分析Kernel principal componen
评论
共有 条评论