支持向量机及其在机械故障诊断中的应用

作     者：何学文 赵海鸣 HE Xue-wen;ZHAO Hai-ming

作者机构：中南大学机电工程学院 

出 版 物：《中南大学学报（自然科学版）》 (Journal of Central South University:Science and Technology)

年 卷 期：2005年第36卷第1期

页      面：97-101页

核心收录：

学科分类：0806[工学-冶金工程] 08[工学] 0818[工学-地质资源与地质工程] 0815[工学-水利工程] 0805[工学-材料科学与工程（可授工学、理学学位）] 0813[工学-建筑学] 0703[理学-化学] 0814[工学-土木工程] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 081102[工学-检测技术与自动化装置] 0702[理学-物理学] 

主　　题：支持向量机 小波包分析 特征提取 故障诊断 多故障分类器 

摘      要：针对目前机械故障诊断中难以获得大量故障数据样本以及特征提取和诊断知识获取困难等不足,提出了应用支持向量机进行机械故障诊断的方法,研究了将小波包分析与信号能量分解用于机械故障的特征提取。该方法将振动信号小波包分析后的信号频带能量作为特征向量,输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。该分类器只需少量训练样本,而且不必预先知道故障分类的经验知识就能实现正确分类。研究结果表明:选用不同核函数及其参数的多故障分类器对分类精度有影响;在样本不带噪声和带15%噪声情况下,支持向量机的分类精度均高于BP神经网络的分类精度,具有更好的分类性能。