中国电机工程学报 2007, 27(9) 99-103  DOI:      ISSN: 0258-8013 CN: 11-2107/TM

本期目录 | 下期目录 | 过刊浏览 | 高级检索                                                            [打印本页]   [关闭]
电工电机
扩展功能
本文信息
Supporting info
PDF(216KB)
[HTML全文]
参考文献[PDF]
参考文献
服务与反馈
把本文推荐给朋友
加入我的书架
加入引用管理器
引用本文
Email Alert
文章反馈
浏览反馈信息
本文关键词相关文章
旋转机械
时变自回归模型
支持向量机
非平稳信号
故障诊断
本文作者相关文章
张龙
PubMed
Article by
基于时变自回归模型与支持向量机的旋转机械故障诊断方法
张龙 熊国良 柳和生 邹慧君 陈慧
上海交通大学机械与动力工程学院 华东交通大学机电工程学院 上饶师范学院物理系 上海交通大学机械与动力工程学院 华东交通大学机电工程学院
摘要: 旋转机械如电机振动信号普遍存在非平稳性,同时对于某台设备已有的故障样本往往非常有限的。针对这些问题,提出一种基于时变参数自回归模型和支持向量机相结合的旋转机械故障诊断方法。首先通过对振动信号建立TVAR模型,提取模型系数及残差的方差作为信号特征,然后利用SVM对信号进行分类,继而实现故障自动识别。转子实验台实验结果表明该文方法能够有效提取非平稳信号的特征,并能在较少训练样本的情况下获得较好的诊断结果。
关键词 旋转机械   时变自回归模型   支持向量机   非平稳信号   故障诊断  
TVAR and SVM Based Fault Diagnosis Method for Rotation Machine
Abstract: Considering rotation machines like a motor, the vibration signals are of universal nonstationarity and the fault samples are usually very limited. Aiming at these problems, a new fault diagnosis method based on TVAR (time-varying autoregressive model) and SVM (support vectors machine) is presented. Firstly, the features including model parameters and the variance of remnant are extracted by modeling the vibration signals as a TVAR model. Secondly, a SVM is used to identify the fault pattern in terms of those features. Finally, experiments on a rotation machine test rig show that, this method can effectively extract features from nonstationary signals, and can get an excellent result despite of less training samples.
Keywords: rotation machine   time-varying autoregressive model   support vectors machine   nonstationary signals   fault diagnosis  
收稿日期 2006-01-24 修回日期 1900-01-01 网络版发布日期  
DOI:
基金项目:

通讯作者: 张龙
作者简介:
作者Email: longzh@126.com

参考文献:
本刊中的类似文章
1.向玲 朱永利 唐贵基.HHT方法在转子振动故障诊断中的应用[J]. 中国电机工程学报, 2007,27(35): 84-89
2.唐贵基 向玲 朱永利.基于HHT的旋转机械油膜涡动和油膜振荡故障特征分析[J]. 中国电机工程学报, 2008,28(2): 77-81
3.刘占生 窦唯.基于旋转机械振动参数图形融合灰度共生矩阵的故障诊断方法[J]. 中国电机工程学报, 2008,28(2): 88-95
4.窦东阳 赵英凯.基于优先级诊断树的旋转机械故障诊断专家系统[J]. 中国电机工程学报, 2008,28(32): 82-88
5.王自营 邱绵浩 安钢.增量学习直推式支持向量机及其在旋转机械状态判别中的应用[J]. 中国电机工程学报, 2008,28(32): 89-95
6.杜必强 唐贵基 王松岭.旋转机械振动信号分形编码及重构算法[J]. 中国电机工程学报, 2008,28(20): 77-81
7.杨龙兴 贾民平.基于时频周期窗的旋转机械故障诊断方法[J]. 中国电机工程学报, 2006,26(3): 141-145

Copyright by 中国电机工程学报