首页  |  期刊简介  |  期刊荣誉  |  编委会  |  现任主编  |  投稿指南  |  下载中心  |  期刊征订
中文核心期刊
Ei Compendex收录期刊
中国科学引文数据库来源期刊
中文科技期刊数据库收录期刊
国际刊号:1004-6801
国内刊号:32-1361/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中华人民共和国工业和信息化部
  • 主办:南京航空航天大学
  •           全国高校机械工程测试技术研究会
  • 国际刊号:1004-6801
  • 国内刊号:32-1361/V
  • 地址:南京市御道街29号
  • 电话:025-8489 3332
  • 传真:025-8489 3332
  • E-mail:qchen@nuaa.edu.cn
  • 邮编:210016
基于特征贡献率的机械故障分类方法
Machinery Fault Classification Method Based on Feature Contribution Rate
  
DOI:10.16450/j.cnki.issn.1004-6801.2020.03.005
中文关键词:  故障诊断  特征贡献率  狄利克雷过程混合模型  贝叶斯推断
英文关键词:fault diagnosis  feature contribution rate  Dirichlet process mixture model  Bayesian inference
基金项目:国家重点研发计划资助项目(2016YFF0203303)
作者单位
马波1,2,赵祎1,2 (1.北京化工大学高端机械装备健康监控及自愈化北京市重点实验室北京100029)(2.北京化工大学发动机健康监控及网络化教育部重点实验室北京 100029) 
摘要点击次数: 119
全文下载次数: 107
中文摘要:
      为提高往复压缩机、航空发动机等复杂机械故障分类的准确率,依据特征参数对不同故障的敏感度存在差异的特性,提出一种狄利克雷过程混合模型(Dirichlet process mixture model,简称DPMM)与贝叶斯推断贡献(Bayesian inference contribution,简称BIC)相结合的分析方法。采用DPMM方法自学习机械振动信号高维特征的统计分布模型,并依据BIC理论计算得到各特征参数对模型的贡献率,通过对比观测数据与各类故障数据特征贡献率间的差异实现故障分类。试验结果表明,该方法的平均分类准确率比基于高斯混合模型(Gaussian mixture model,简称GMM)的故障诊断方法的平均分类准确率提高19.29%,比基于Relief算法的故障诊断方法的平均分类准确率提高32.71%,且该方法的时效性高,泛化性能强,能够更有效地进行复杂机械故障分类。
英文摘要:
      In order to improve the accuracy of fault classification of complex machinery such as reciprocating compressor and aeroengine, an analysis method combining Dirichlet process mixture model(DPMM) with Bayesian inference contribution(BIC) is proposed according to the characteristic that the sensitivities of feature parameters are vary from fault to fault. It is used to self-learn the statistical distribution model of high dimensional features of the mechanical vibration signals by DPMM method, and the contribution rate of each feature to the model is calculated according to the BIC theory. The fault classification is realized by analyzing the differences between the feature contribution rates of the observed data and different kinds of fault data. The results indicate that the average classification accuracy of the proposed method increases by 19.29% compared with the fault diagnosis method based on Gaussian mixture model(GMM), and increases by 32.71% compared with the fault diagnosis method based on Relief algorithm. Furthermore, this method has characteristics of high timeliness and strong generalization performance. It can effectively classify the complex mechanical faults.
查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《振动、测试与诊断》

地址:南京市御道街29号        邮编:210016

电话:025-8489 3332      传真:025-8489 3332       E-mail:qchen@nuaa.edu.cn

您是本站第2095804位访问者 本站今日一共被访问263

技术支持:北京勤云科技发展有限公司