[an error occurred while processing this directive]

机械设计与研究 ›› 2017, Vol. 33 ›› Issue (02): 30-32+35.doi: 10.13952/j.cnki.jofmdr.a4248

• 论文 • 上一篇    下一篇

基于时频特性和PCA-RBF的自动机故障诊断

安邦;潘宏侠;张玉学;赵雄鹏;曹满亮;   

  1. 中北大学机械与动力工程学院;
  • 发布日期:2020-07-26

  • Published:2020-07-26

摘要: 针对自动机故障诊断中仅单方面从时域、频域和时频域提取特征向量,导致特征指标具有很大片面性的问题,本文提出了一种基于时频特性和PCA-RBF的自动机故障诊断方法。首先利用统计分析和总体经验模态分解(EEMD)方法,构造高维混合域初始特征向量;然后通过主成分分析法(PCA)对高维初始特征向量进行降维和简化;最后将经过PCA处理过的主特征向量输入到径向基函数(Radial Basis Function,RBF)神经网络中实现故障类型的识别。实验结果表明,混合域初始特征向量能够准确全面地描述故障特征,经过PCA处理的主特征向量大大简化了分类器结构,RBF神经网络结构简单、收敛速度快、具有很高的分类准确率。

关键词: 自动机, 时频特性, 主成分分析, 径向基神经网络, 故障诊断

Key words: automaton, time-frequency characteristics, principal component analysis, radial basis function neural network, fault diagnosis

[an error occurred while processing this directive]