典型文献
WPT、PCA与SVM结合的滚动轴承故障程度诊断
文献摘要：
针对滚动轴承故障诊断存在的故障程度难以区分、早期故障不易发现、故障诊断精度低等问题,这里提出了一种基于小波包变换(Wavelet Packet Transform,WPT)、主成分分析(Principal Component Analysis,PC A)与支持向量机(Sup-port Vector Machine,SVM)相结 合的滚动轴承故障程度诊断方法.该方法首先对原始信号进行小波包分解,然后对分解后的信号进行重构,计算重构信号能量作为特征值;随后,运用主成分分析对特征向量进行降维,将降维后的特征输入支持向量机,完成故障模型的训练与测试.这里主要分析了累计贡献率、小波包分解层数、母小波类型对故障诊断成功率的影响.实验结果表明此方法可以有效地识别不同故障位置的故障程度.
文献关键词：
故障程度;小波包变换;主成分分析;支持向量机
中图分类号：
作者姓名：
王帅星;黄茜;王晓笋;巫世晶
作者机构：
武汉大学动力与机械学院,湖北武汉 430072
文献出处：
引用格式：
[1]王帅星;黄茜;王晓笋;巫世晶-.WPT、PCA与SVM结合的滚动轴承故障程度诊断)[J].机械设计与制造,2022(04):5-9
A类：
故障程度诊断
B类：
WPT,滚动轴承故障诊断,早期故障,故障诊断精度,于小波,小波包变换,Wavelet,Packet,Transform,Principal,Component,Analysis,Sup,port,Vector,Machine,小波包分解,重构信号,信号能量,特征向量,故障模型,累计贡献,分解层数,断成,故障位置
AB值：
0.296088
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
