智能诊断方法对离心泵系统使用振动信号和支持向量机

文摘

提出了一个智能诊断方法对于离心泵系统使用数据过滤,支持向量机(SVM),可能性理论,和Dempster-Shafer理论(DST)的基础上的振动信号,在离心泵频繁故障诊断在早期阶段,如空化、叶轮不平衡、轴偏差。首先,统计滤波器是用来提取特征信号测量泵故障的振动信号在最佳频率区域,和症状无量纲参数(NSPs)定义为代表的特征信号区分故障类型。第二,区分两种状态的最优分类超平面是通过SVM和NSPs,和它的功能是定义为参数综合症状(SSP)为了增加诊断的敏感性。最后,SSP的可能性功能是用来构造一个连续模糊诊断的故障检测和故障类型识别理论和DST可能性。该方法已应用于离心泵的故障检测,和效率的方法使用实例验证。

1。介绍

泵在离心等几种类型,涡轮,螺旋桨和容积。灌溉泵离心类型的植物通常是(1]。离心泵行业起着重要的作用。然而,泵的故障会导致高的能量损失与性能下降,甚至整个系统的崩溃,然后导致重大的经济损失。因此,条件泵系统在早期诊断是非常重要的。

不同的方法已经使用了离心泵的故障检测。研究[2- - - - - -4)采用间接参数或相关参数来识别断层,但没有考虑振动的特性签名。然而,逐步理解振动签名是最暴露的信息反映出旋转机械的状态(5- - - - - -7]。振动信号被用于故障检测和状态监测(8- - - - - -21),所以重要的是故障信号应该敏感地从测量信号中提取故障发生时。然而,它是很困难的因为故障信号非常弱,它通常是埋在强噪音,特别是在早期阶段。研究[8- - - - - -14]介绍了小波分析可以有效地检测条件变化。然而,不同的小波基函数。此外,振动信号在不同频率的功能区域(14]。因此,小波分析的应用和一个自动系统的建设。

对降噪,即提取故障信号,提出了许多方法。例如,带通滤波器(22),自适应滤波器(23),维纳滤波器(24和卡尔曼滤波器25),等等。然而在机械领域的诊断,这些方法不能总是适用于故障信号提取,由于下面的不利条件。首先,在带通滤波器的情况下,宽带噪声不能取消。其次,对降噪应用自适应滤波器时,必须同时测量参考噪声的信号。同时参考噪声的测量是不容易意识到在大多数情况下的故障诊断。最后,所产生的噪音不能有效地去除维纳滤波和卡尔曼滤波如果噪声和信号不遵循正态分布。为了克服以上问题,我们使用了统计滤波器从振动信号中提取故障信号测量的异常状态机。

几乎没有智能故障诊断系统,如神经网络(NN)和支持向量机(SVM)。研究[14- - - - - -16)进行了调查使用神经网络进行检测和识别出错类型。然而,传统的神经网络不能反映模糊诊断的可能性问题,不会集中在第一层征兆参数具有相同的值在不同的州(26]。研究[17- - - - - -20.)采用支持向量机进行故障诊断,支持向量机的功能可以有效地执行一个非线性分类与核函数得到证实。然而,很难确定正则化参数为给定值的和内核参数,选择合适的核函数。

由于以上原因,为了处理不确定参数(SPs)症状和机械条件之间的关系,提高故障诊断的效率和准确性在早期阶段,并实现测量信号的自动系统,提出一种智能诊断泵系统使用支持向量机(SVM),可能性理论,和Dempster-Shafer理论(DST)的基础上的振动信号,检测故障,确定故障类型在早期阶段,流程图如图所示1。统计滤波器用于泵故障的检测并提取故障信号在最佳频率区域,和故障信号提取反映的无量纲参数(NSPs)症状。为了提高诊断的敏感性,合成征兆参数(SSP)定义的函数使用SVM获得的最优分类超平面。的可能性分布SSPs用于检测故障,确定故障类型理论和DST的可能性。最后,该方法评估使用离心泵的实际例子,它显示了良好的性能。

2。实验离心泵系统状态诊断

图2显示了测试床组成的泵、马达和闭环水管道系统。SF-JRO系列采用电机驱动泵通过耦合和转速可以控制通过控制面板。描述的是一个离心泵实验如下:本田泵类型:(蜗壳泵卧式),负责人:40岁,输出:3.7 kW,和容量:7.5米³/小时。油箱的容量是基于最大流率也可以由阀门控制系统控制。五个加速度计采用收购50 kHz的采样频率的振动信号。一个是安装在泵壳体,两个在管道泵吸入口的方向和垂直方向,分别为其余的管道泵出口的方向和水平方向,如图3。

空化现象是一种不稳定的来源在离心泵。突然泡沫崩溃导致损坏的泵和一代的声音和振动27]。其他缺点,如叶轮不平衡和轴电机和泵之间的失调,歧视容易,但往往发生在泵系统。这些错误会导致严重的机器事故和生产带来巨大损失。因此,这些状态与正常状态检查是否将讨论初期故障泵能够被探测到的在后面的小节中使用该方法。当泵速度在3500 rpm和吸入和排线的阀门完全打开,泵是在最好的情况下操作。条件被视为正常状态。的条件下的速度和放电的阀线保持不变;吸入阀的线慢慢地拒绝了,直到小气泡出现。目前状态是空化状态和轻微的异常程度。按顺序,在吸入阀线被拒绝了; the amounts of bubbles were used to decide the cavitation state with the medium and severe abnormal degree. In the case of impeller unbalance due to impeller damage, the damage areas from three impellers were 25 mm²,100毫米²,225毫米²,分别。使用了三个叶轮的状态被定义为叶轮不平衡与温和,媒介,严重的异常程度。同样的,美国的泵轴是安装到偏离0.1毫米,0.5毫米,1.0毫米超出指定的限制被定义为与不同的异常轴偏差度。

3所示。使用统计特征提取过滤器

3.1。数据过滤

统计滤波器是一个过滤器将包,决定是否接受或拒绝它的统计方法的基础上28]。在机械领域的诊断,研究[29日)调查,滤波器基于统计测试的光谱中提取纯的方便和有效的故障信号。在这里,统计滤波器基于区别之间的光谱指数(DI)正常信号和被测信号,提出了如图4。

测量和诊断信号可分为正常信号部分。频谱分析是对每个部分执行,生成一个频谱的内容。经历所有的信号部分,频谱的内容的一部分在频率可以,在哪里信号的风格,如正常信号()和诊断信号();和最大频率和频谱分析的数量。因此,频谱分量和的信号部分频率在正常和诊断状态可以用(表示1),它是证实和符合正态分布,如图5。考虑

为了确定光谱之间是否存在显著差异和正常的频率和诊断状态,区别指数(DI)和索引定义如下质量评价之间的光谱差异正常和诊断状态。假设和的值是和和符合正态分布和,分别。在这里,,和,的平均值和标准偏差是正常的频率和诊断状态吗。更大的价值是,两个国家的差异将越高。因为也是分布式,我们可以表示的密度函数在(2)。当的概率,可以计算(2 b);当然,我们可以得到相同的结论。标准化的价值,即,(2 b)可以转化为(2摄氏度)。考虑

在这里,。考虑的条件DI值计算如下:

根据正态分布的性质,的概率也;然后的概率是。然而,显示正常的重叠部分和诊断;区别正常状态或诊断状态的概率;那么区别率(博士)定义如下:

在[30.- - - - - -32],DI被用来判断一个征兆参数的灵敏度(SP),同时也证明,DI值越大,越高价值将然后博士SP的敏感性越高。此外,当DI值超过1.28,DR值超过0.9,但的概率小于0.1。在统计,重要性水平,如0.1,0.05,0.01,使用,根据的研究领域。0.1水平是用来确定是有区别的和,然后DI值1.28是分水岭的统计滤波器基于光谱指数的区别。当DI值和小于1.28,有小的区别和,然后假定没有区别。因此,频谱诊断状态的频率将被删除噪音的一个过滤器。否则,剩下没有变化。例如,DI值之间和,如图5(一个1),1.87;然后是离开了。然而,DI值之间和,如图5(一个2)0.79;然后从原始光谱。因此,过滤可以获得,它是由迪控制。介绍了一个简单的例子来解释统计滤波器基于区别指数(DI)的光谱,如图6。这里黑色方块的光谱值正常信号和黑点是诊断的光谱值的信号。在这些点,DI值在正常和诊断之间的光谱信号小于1.28;DI值在超过1.28。因此,筛选诊断光谱显示的黑色三角形在频域估计故障组件,和故障信号时域可以使用快速傅里叶逆变换得到(传输线)。

此外,我们尝试过其他的DI值提取故障信号统计滤波器状态诊断的离心泵系统,和最优价值仍然是1.28。

3.2。实验信号分析使用统计滤波器

使信号可比无论大小的差异,每个州的信号归一化由以下公式: 在哪里原始信号系列,和的平均值和标准偏差,正常化信号系列。

在目前的工作中,每个州的归一化信号被分成128个零件,分别。然后根据区分光谱指数统计滤波器获得执行不同状态下的估计信号。图7显示了估计的信号在时域的轴偏差时,失败是切断。很明显,代表轴偏差信息提取。

4所示。无量纲参数智能诊断症状

智能诊断、症状参数(SPs)需要和可以敏感地检测故障的发生和区分故障类型。一个大组症状参数被定义在模式识别领域31日]。在这里,无量纲参数(NSPs)在时域,症状通常用于工厂机械的故障诊断,被认为是。

当考虑到数字数据振动信号的是信号的数量,3 NSPs在时域定义如下: 在哪里和的平均值和标准偏差是振动信号。的绝对值是振动信号吗和的平均值。

然后在部分获得的估计信号3使用统计滤波器计算执行3 NSPs。摘要3典型故障进行了调查与不同异常度实验,然后这些故障状态相同的异常程度被称为异常状态相同的异常程度为目的的讨论。因此,3 NSPs这些故障状态相同的异常程度曼联3 NSPs异常状态相同的异常程度。因此,DI值3 NSPs任何两个国家之间在同一个异常程度计算,如表所示1。此外,原始信号也做了相同的工作和DI值如表所示2。

很明显,DI值的3 NSPs信号估计的统计滤波器大于原始信号。然而,这些SPs的DI值低,尤其是在一个错的开始阶段。因此选择一个有效的SP将花费时间和精力,和SP的分化程度可能是也可能不是很高。在这项研究中,一种新的方法,一些SPs集成的有效SP诊断提出了通过引入权重系数。在这里,3 NSPs用于集成一个有效的SP,这个集成SP叫做“合成征兆参数(SSP)。”

5。应用支持向量机的参数综合症状

5.1。支持向量机(SVM)

支持向量机是一种相对较新的计算基于统计学习理论,学习方法,基本思想是创建两个类之间的最优分类超平面,并确保边界和最近的数据点之间的距离在每个类是最大化33]。支持向量机不仅可以有效地执行一个线性分类也是非线性分类使用核函数。一般来说,一个分类超平面可以表示如下: 在哪里是样本向量,是一个向量代表的重量系数,是一个分类阈值。

最近,几乎所有的实际应用支持向量机采用不同的核函数,如多项式内核和径向基函数(RBF)内核,实现线性分类在高维特征空间中。然而,正如在介绍部分说,很难确定正则化参数为给定值的和内核参数,选择合适的核函数。但软边缘支持向量机提出了提高SVM的魅力(34]。软边缘SVM是一个修改最大的想法,允许最小误差和放松的条件最优分类超平面。为了解释支持向量机软边缘,如图一个例子8与三维情况。白色的圆圈表示状态1和黑色的点代表状态2。,,代表三维样本向量。彩色的飞机是最优分类超平面。

不仅软边缘SVM构造最优分类超平面,当非线性数据是分开的,而且具有很强的泛化能力,只有少量的训练样本。

为了区分机械尽可能精确的、优秀的征兆参数必须定义的自动诊断。征兆参数必须能够敏感地反映国家的特点。然而,没有一个可接受的方法从信号中提取征兆参数的测量在每个州(35,36]。许多州有越大,越困难的征兆参数的提取。在许多情况下,这仅仅通过试验和错误。上述过程不仅耗费时间和劳动密集型的,但也不能总是确保优秀的征兆参数会被发现。

为了解决这个问题,我们提出了使用合成的新方法被称为“序贯诊断症状软边缘产生的支持向量机参数。“通过这种方法,最优参数综合症状区分所有的州都可以按顺序并快速搜索。因为合成征兆参数软边缘产生的支持向量机只能用于区分两州,我们将按顺序、准确地诊断状态如图11。

5.2。合成征兆参数

提出了软边缘SVM实现优化整合领域的原始SPs状况诊断。最优分类超平面所示(5),是最优向量的权重系数,并确定SSP的诊断敏感性。然后SSP定义如下:

为了提高提取功能故障的敏感性,尤其是在一个错误的开始阶段,3 NSPs每个州的训练支持向量机分类器的输入。例如,在第一步中,诊断目标是检测是否有错,所以这两个类是正常和异常的状态。在一个正常的状态,3 NSPs提取与标签吗,和重组训练数据正常状态。同样,训练数据的异常状态得到与标签吗,。在这里,和的类数是3 NSPs从正常和异常的状态。当这些数据被输入到支持向量机训练最优分类超平面,如图所示8,权重系数和分类阈值得到,然后SSPs获得,见表3。新SSPs两个故障计算是基于估计的信号,和新SSPs DI值也计算如表所示4。ssp的DI值大于3 NSPs DI值。此外,该观点对训练表现如下。(1)软边缘SVM是一个修改最大的想法,允许最小误差和放松的条件最优分类超平面。因此,它不重要给培训的性能。(2)训练数据只输入软保证金SVM建立最优分类超平面。在本文中,我们的目标是只定义参数综合症状(SSP)。

6。连续模糊诊断用可能性理论和Dempster-Shafer理论

6.1。可能性理论

可能性理论是数学理论来处理某些类型的不确定性和概率理论的另一种选择。陈守煜教授在1978年首次引入的可能性理论的扩展他的模糊集理论和模糊逻辑37]。杜波依斯和布雷德进一步导致其发展(38]。最近,可能性理论已被用于故障诊断(14,39,40]。在[14,39,40),可能性理论应用于条件诊断旋转机械在不同旋转速度来处理不确定的症状与故障类型之间的关系。,提高诊断的敏感性和改善模糊识别的状态,可能性理论是用于构造顺序模糊诊断系统。

隶属函数的模糊推理,SP是必要的(14,39,40),可以获得SP用可能性理论的概率密度函数。本文综合症状参数(SSP)被选中作为故障识别的特性,并验证了SSP符合威布尔分布。然后SSP的概率密度函数()可以改变可能性函数()由以下公式:

和可以计算如下: 在哪里是该部门的SSP的领域,即,和SSP的均值和标准差,分别。,,形状的参数、规模和位置。图9显示了一个例子的可能性函数和概率密度函数。

来识别机械条件,构造隶属函数基于SSP的可能性功能诊断使用可能性理论。图10显示匹配的可能性函数的例子。可能性之间的共同区域,功能模型的状态和可能性功能诊断的状态由下列公式计算: 在哪里和SSP的均值和标准差是诊断状态。此外,未知的状态除了状态和国家也是模型状态函数,它的可能性是由以下公式计算(10)。和之间的公共区域和是由以下公式计算(11)。考虑

因此,应诊断为的概率模型,,分别可以通过以下公式计算。然后判断,诊断状态模型状态最大的可能性。考虑

6.2。连续状态诊断方法

征兆参数(SPS)可以代表振动信号的特征。然而他们总是敏感的一个或多个故障类型,所以很难找到一个或多个SPs,同时识别所有国家,但相比之下很容易,一个或一些SPs发现识别两种状态。序贯诊断方法,解决多个故障类型识别,如图11,提出了离心泵的状态诊断。

诊断系统的第一步是简单的诊断。它的性能是检测是否有错,然后正常状态()和异常状态(州)模型。为了推广状况诊断的能力,每个异常状态的三个异常度(轻微、中等和严重)相结合建立函数模型的可能性。因为只有三个典型故障的泵,未知的状态除了正常状态和异常状态也是一个模型状态。如果正常状态的可能性等级(),异常状态(),(联合国)表示为未知状态,,分别为,是最大的;然后状态诊断为“正常状态(),“结束停止的诊断系统。否则,有故障;诊断系统将进入下一步的精确诊断。

执行精确的诊断识别故障类型。因为有三种类型的错误在这个实验中,三种模式都堆积在精确诊断阶段。在每个模式,选择两种故障类型诊断目标,然后是未知状态,除了两个选定的国家也被认为是诊断目标。因此,在每个模式有三种状态。例如,在第一种模式,三个模型状态是空化(),叶轮不平衡(),和未知的状态(联合国),然后这些成绩的可能性表示为,,,分别。第二种模式中,空泡()、轴偏差(),未知的状态(联合国)三个模型状态,而这些成绩的可能性表示为,,,分别。在第三个模式中,叶轮不平衡()、轴偏差(),未知的状态(联合国)三个模型状态,而这些成绩的可能性表示为,,,分别。

当训练数据,参数综合症状(SSPs)使用该方法计算两种状态之间,被训练来确定隶属函数的模糊推理,顺序模糊诊断系统如图11已经建立了。

6.3。使用Dempster-Shafer模糊推理理论

Dempster-Shafer理论(DST)是一种有效的方法,结合累积证据(41,42]。如果证据是用来识别类(),赋值函数的可能性吗th证据,结合可能性功能可以获得的DST,如下:

DST广泛用于解决不确定性问题的分类43- - - - - -45]。一节中6.2同时,三种模式中执行第二步。显然,推断是独立的三个模式,每个模式提供了一个证据获取最终的识别结果。然后Dempster-Shafer理论(DST)被用来结合每个故障状态的可能性。如果气蚀的可能性等级(),叶轮不平衡()、轴偏差(),和未知的状态(联合国)在第二步,,,分别,那么每个故障状态相结合的可能性等级DST如下: 在哪里是一个常数,正常化+。如果,那么诊断状态判断为“空化()。“换句话说,国家等级是最大的可能性是诊断状态。

7所示。诊断和验证

7.1。诊断的方法

来验证提出的诊断方法,测试数据集再次获得按照三个典型的离心泵的故障和缺陷程度的轻微、中等和严重。此外,使用该方法处理每个数据集作为输入的诊断系统。在这里,两个实用诊断的例子所示的数字12和13。

在第一个示例中,可能性之间的功能测试状态和模型状态如图的第一步12。和表达的可能功能正常状态和异常状态(叶轮不平衡,它只包含空化和摘要轴偏差)。表达的可能功能未知的状态除了正常状态和异常状态。表达的可能功能测试状态。,,表达之间的公共区域和,,,分别。,,,正常状态的可能性、异常状态和未知状态,分别计算为0.8558,0.0724和0.0718。因此,诊断过程停止在第一步,和诊断系统的结果是正常的状态。诊断状态完全一致的与原来的状态。

在第二个例子中,第一步的结果如图(13日)是不正常的状态,然后诊断系统进入第二步精密诊断。在第二步中,三种模式同时进行,如图13 (b),13 (c),13 (d)。诊断可能性如表所示5。此外,诊断系统智能地雇佣了DST结合每个故障的可能性等级状态。然后,,,气蚀的可能性(),叶轮不平衡()、轴偏差(),和未知的状态(联合国),分别计算为0.9649,0.0001,0.0098和0.0252。所以最后的结果是空化状态。通过比较原始的状态,诊断结果是正确的。

同样,10个测试数据集执行相同的程序,和诊断结果如表所示6。实验结果表明,所有测试状态诊断正确,但即使是轻微的故障缺陷发现在早期阶段敏感和正确地识别。

7.2。通过模糊神经网络诊断

模糊神经网络常被用来检测和识别出错类型(14- - - - - -16]。本节给出了基于模糊神经网络的诊断系统的性能。一般来说,有两种方法直接诊断和序贯诊断,如图14和15。当然,考虑到实验中,状态意味着正常状态、空化、叶轮不平衡,或轴偏差,按顺序。

比较了基于模糊神经网络的诊断与诊断方法,实验数据部分中描述2用于训练基于模糊神经网络诊断系统如图14和15;节中描述的测量数据7用于测试。诊断结果如表所示7。直接基于模糊神经网络的诊断与温和的程度,几乎无法检测到故障和2测试数据集与中等程度还发现了错误。序贯诊断6中等和严重程度的测试数据集已经被诊断正确,但缺点有轻微程度的性能检测和识别是虚弱的。

8。结论

有效地检测错误和正确识别故障类型植物机械处于初级阶段,一个智能诊断方法使用数据过滤,支持向量机,可能性理论,和DST振动信号的基础上,提出了离心泵系统,和实验演示的效果。本文方法的优越性可以解释在以下几点。(1)统计滤波器是一种信号处理方法,提取故障信号的统计测试光谱之间的正常信号和故障信号。统计滤波器的应用是非常有效的,即使在早期阶段,统计滤波器可以有效地提取纯特征信号。(2)软边缘SVM用于定义参数综合症状(SSP),然后提高识别原始SPs的敏感性。(3)智能模糊诊断的效率提出了这里已经通过应用到诊断实例验证了初期的离心泵的故障和性能。事实上,智能诊断的完美表现SSPs的使用可能性功能主要是由于统计滤波器有效的特征提取,支持向量机的泛化能力,SSPs灵敏度高,和DST的结合证据。

在不久的将来,本文提出的方法将被应用在各种旋转机械状态诊断一个真正的植物。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这个项目是由中国国家自然科学基金(批准号51375037),国家重点基础研究项目(批准号2012 cb026000),新世纪优秀人才计划在大学(ncet - 12 - 0759)。

引用

1. d . Moshou Gravalos, d .凯特瑞n . Sawalhi和s . Loutridis”状态监测与自组织特性可视化灌溉的离心泵,”学报EFITA / WCCA会议,第124 - 116页,2011年。视图:谷歌学术搜索
2. s . Perovic p . j .山区和e·h·海厄姆,“模糊逻辑系统来检测泵故障从电机电流光谱,”工业应用会议,1卷,页274 - 280,芝加哥,生病,美国,2001年。视图:谷歌学术搜索
3. c . s . Kallesøe诉Cocquempot, r . Izadi-Zamanabadi“基于模型的故障检测在离心泵应用程序中,“IEEE控制系统技术,14卷,不。2、204 - 215年,2006页。视图:出版商的网站|谷歌学术搜索
4. s Rajakarunakaran p . Venkumar d Devaraj, k . s . p . Rao”故障检测的人工神经网络方法在旋转系统中,“应用软计算杂志,8卷,不。1,第748 - 740页,2008。视图:出版商的网站|谷歌学术搜索
5. p .贾和k . b . Mulchandani a k•瓦迪瓦尼称“机器故障特征分析,”旋转机械的国际期刊文章ID 583982卷,2008年,10页,2008。视图:出版商的网站|谷歌学术搜索
6. p·布莱恩,“Graney:泵振动分析,“泵与系统卷。11日,28,2011页。视图:谷歌学术搜索
7. j . t . Renwick p·e·巴布森,“振动分析,证明技术作为产品维修工具,”IEEE行业应用,21卷,不。2、324 - 332年,1985页。视图:出版商的网站|谷歌学术搜索
8. 刘和S.-F。凌,“机械诊断信息小波的选择,”机械系统和信号处理,13卷,不。1,第162 - 145页,1999。视图:出版商的网站|谷歌学术搜索
9. j·林和l .曲”特征提取基于morlet波和机械故障诊断中的应用,”杂志的声音和振动,卷234,不。1,第148 - 135页,2000。视图:出版商的网站|谷歌学术搜索
10. 问:朱,“齿轮基于小波神经网络的故障诊断系统,”连续离散动力学和脉冲系统、系列:数学分析第2部分,卷。13日,第673 - 671页,2006年。视图:谷歌学术搜索
11. p h . Wang Chen和王,“工厂机械、智能诊断方法”中国机械工程的前沿,5卷,不。1,第124 - 118页,2010。视图:出版商的网站|谷歌学术搜索
12. h . Wang,陈平模糊诊断方法可变转速的旋转机械,”IEEE传感器杂志,11卷,不。1,23-34,2011页。视图:出版商的网站|谷歌学术搜索
13. a . Albraik f . Althobiani f·顾,a球,“使用振动离心泵故障的诊断方法,”物理学杂志》:会议系列,卷364,不。1,文章ID 012139, 2012。视图:出版商的网站|谷歌学术搜索
14. h·王,陈平,“智能诊断方法对离心泵使用振动信号的特点,“神经计算和应用,18卷,不。4、397 - 405年,2009页。视图:出版商的网站|谷歌学术搜索
15. k·李,陈平,王,“旋转机械智能诊断方法,使用最小二乘映射和模糊神经网络,”传感器,12卷,不。5,5919 - 5939年,2012页。视图:出版商的网站|谷歌学术搜索
16. h . Wang,陈平滚动轴承故障智能诊断方法使用可能性理论和神经网络,”计算机和工业工程,60卷,不。4、511 - 518年,2011页。视图:出版商的网站|谷歌学术搜索
17. 答:中,s。杨”,应用非线性特征提取和支持向量机感应电动机的故障诊断,”专家系统与应用程序,33卷,不。1,第250 - 241页,2007。视图:出版商的网站|谷歌学术搜索
18. h·t·雪“结构性旋转机械故障诊断的基于独特的频率成分和支持向量机,”先进的智能计算理论和应用。用方面的人工智能卷,6839在计算机科学的课堂讲稿,第348 - 341页,2012年。视图:谷歌学术搜索
19. 答:中,s。杨”,支持向量机在机器状态监测和故障诊断,”机械系统和信号处理,21卷,不。6,2560 - 2574年,2007页。视图:出版商的网站|谷歌学术搜索
20. k·p·h·雪h . Wang Chen Li和l .歌曲“自动旋转机械结构故障诊断方法基于独特的频率成分和支持向量机在不同的操作条件下,“Neurocomputing卷,116年,第335 - 326页,2013年。视图:出版商的网站|谷歌学术搜索
21. h·雪,k, h,陈平,“序贯诊断旋转机械使用支持向量机方法和可能性理论,”智能计算理论卷,7995在计算机科学的课堂讲稿,第324 - 315页,2013年。视图:出版商的网站|谷歌学术搜索
22. j·c·普林西比和t . Yoon”检测的新算法在铣削刀具破损,”国际机床制造杂志》上没有,卷。31日。4、443 - 454年,1991页。视图:出版商的网站|谷歌学术搜索
23. m . Karimi-Ghartemani和m . r . Iravani”在线信号分析的非线性自适应滤波器在电力系统应用中,“IEEE电力交付,17卷,不。2、617 - 622年,2002页。视图:出版商的网站|谷歌学术搜索
24. w·周b, t . g . Habetler r·g·哈利,“初期通过电动机轴承故障检测定子电流使用维纳滤波降噪,”IEEE行业应用,45卷,不。4、1309 - 1317年,2009页。视图:出版商的网站|谷歌学术搜索
25. a . j . Volponi h . DePold Ganguli r、c大光,“使用卡尔曼滤波和神经网络方法在燃气轮机性能诊断:比较研究,“燃气轮机工程和权力,卷125,不。4、917 - 924年,2003页。视图:出版商的网站|谷歌学术搜索
26. c . m .主教神经网络模式识别,牛津大学总统,纽约,纽约,美国,1995年。视图:MathSciNet
27. m .Čudina”检测离心泵汽蚀现象的使用可听见的声音,“机械系统和信号处理,17卷,不。6,1335 - 1347年,2003页。视图:出版商的网站|谷歌学术搜索
28. l . Feinstein d . Schnackenberg r . Balupari, d .家族”统计方法DDoS攻击检测和响应,”美国DARPA生存会议和博览会的信息1卷,第314 - 303页,2003年。视图:出版商的网站|谷歌学术搜索
29. t .丰田、陈平和t . Mizota”检测和区分故障信号通过统计测试的光谱,”《日本精密工程学会》杂志上,卷。58岁的没有。6,1041 - 1046年,1992页。视图:谷歌学术搜索
30. 陈平、t .丰田和z,他“自动函数生成的征兆参数和应用程序操作条件下的机械故障诊断变量,“IEEE系统,人,控制论:系统和人类。没有,卷。31日。6,775 - 781年,2001页。视图:出版商的网站|谷歌学术搜索
31. k·李和陈平,“智能诊断方法使用蚁群优化,旋转机械的结构性缺陷”传感器,11卷,不。4、4009 - 4029年,2011页。视图:出版商的网站|谷歌学术搜索
32. s . g . Mallat”理论对多分辨率信号分解:小波表示,“IEEE模式分析与机器智能,11卷,不。7,674 - 693年,1989页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
33. s . r . Gunn”为分类和回归支持向量机技术代表、南安普顿大学,1998。视图:谷歌学术搜索
34. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
35. h . Matuyama“诊断算法”,JSPE杂志,卷75,不。3,第35 - 37页,1991年。视图:谷歌学术搜索
36. j·j·理查森,人工智能在维护诺伊斯出版物,新泽西,新泽西,美国,1985年。
37. 洛杉矶德,“模糊集”,信息和计算,8卷,不。3、338 - 353年,1965页。视图:谷歌学术搜索|MathSciNet
38. d·杜布瓦和h·布雷德可能性理论:一个电脑处理不确定性的方法,充气出版社,纽约,纽约,美国,1988年。
39. 陈平和t .丰田的故障检测方法的可能性和法官&沙佛概率论理论,“北九州医疗和工程合作协会杂志》上9卷,1 - 4,1998页。视图:谷歌学术搜索
40. 陈平和t .丰田工厂机械连续模糊诊断,”JSME国际日报》系列C:机械系统、机器元素和制造业,46卷,不。3、1121 - 1129年,2003页。视图:出版商的网站|谷歌学术搜索
41. a . p .法官”,上部和下部之间的概率由多值映射,”数理统计年鉴中,38卷,第339 - 325页,1967年。视图:出版商的网站|谷歌学术搜索|MathSciNet
42. g·沙佛,一个数学理论的证据》,普林斯顿大学出版社,1976年。视图:MathSciNet
43. 陈平,基础和应用条件诊断旋转机械技术,Sankeisha出版社,名古屋,日本,2009年。
44. c·r·帕里克说,m . j .桥和n .巴里琼斯,“Dempster-Shafer理论应用于状态监测应用程序:一个案例研究中,“模式识别的字母,22卷,不。6 - 7,777 - 785年,2001页。视图:出版商的网站|谷歌学术搜索
45. 肖肯和r·a·胡梅尔”的使用的法官沙佛模型在信息索引和检索应用程序中,“国际人机研究杂志》上,39卷,不。5,843 - 879年,1993页。视图:出版商的网站|谷歌学术搜索

版权

版权©2014 Hongtao雪等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。