基于小波包特征熵SVM的压缩机气阀故障诊断研究

被引:6
作者
崔厚玺
张来斌
王朝晖
段礼祥
机构
[1] 中国石油大学(北京)机电工程学院
关键词
小波包特征熵; SVM; 分类器; 压缩机气阀; 故障诊断;
D O I
暂无
中图分类号
TH45 [压缩机、压气机];
学科分类号
120111 [工业工程];
摘要
针对气阀信号信噪比低、特征提取困难及故障样本较少、难以建立可靠的故障识别模型的问题,提出基于小波包特征熵支持向量机的气阀故障诊断方法。首先选择容错性较强的信息熵作为特征参数,通过对信号小波包分解,提取故障敏感频带的小波包特征熵作为输入向量,采用仅有的故障训练样本构建SVM分类器,建立气阀故障诊断模型。试验表明,该方法对小样本情形下气阀故障的非线性模式分类问题体现了良好的适应性,且具有特征提取工作量小的特点。
引用
收藏
页码:86 / 88
页数:3
相关论文
共 8 条
[1]
基于小波-支持向量机(SVM)的发动机泵机组故障诊断 [J].
武建军 ;
马振利 ;
张越萌 ;
杨旭 .
中国测试技术, 2007, (05) :74-76
[2]
基于支持向量机的发动机故障诊断 [J].
唐浩 ;
屈梁生 .
西安交通大学学报, 2007, (09) :1124-1126
[3]
基于模糊聚类的油田往复压缩机气阀故障诊断研究 [J].
王朝晖 ;
姚德群 ;
段礼祥 .
机械强度, 2007, (03) :521-524
[4]
基于振动信号的柴油机气阀漏气故障诊断研究 [J].
戴威 ;
戴柯 ;
郭宝圣 .
煤矿机械, 2007, (05) :183-184
[5]
小波包特征熵神经网络在尾水管故障诊断中的应用 [J].
桂中华 ;
韩凤琴 .
中国电机工程学报, 2005, (04)
[6]
基于遗传算法的SVM参数选取 [J].
杨旭 ;
纪玉波 ;
田雪 .
辽宁石油化工大学学报, 2004, (01) :54-58
[7]
往复压缩机气阀故障诊断的信息融合方法研究 [J].
窦唯 ;
刘树林 ;
孙明 ;
陈业生 .
压缩机技术, 2004, (01) :11-13
[8]
A tutorial on Support Vector Machines for pattern recognition [J].
Burges, CJC .
DATA MINING AND KNOWLEDGE DISCOVERY, 1998, 2 (02) :121-167