用户名 密 码 登 录 忘记密码 免费注册

网站会员中心 | 设为首页 | 加入收藏

 您好，欢迎光临中国轴承行业网         退出登陆

会员中心 | 设为首页 | 加入收藏

协会

统计

国外文献 > 1.轴承 > 4. 设计与分析 > 算法与优化

关键词搜索：

标 题： Artificial neural networks and support vector machines with genetic algorithm for bearing fault detection
基于遗传算法的神经网络与支持向量机轴承故障检测
作 者： B. Samanta
K. R. Al-Balushi
S. A. Al-Araimi
关键词： Condition monitoring  [状态监测]
Feature selection  [ 特征选择]
Genetic algorithm  [ 遗传算法]
Bearing faults  [ 轴承故障]
Neural network  [ 神经网络]
Rotating machines  [ 旋转机械]
Signal processing  [ 信号处理]
Support vector machines  [ 支持向量机]
出版年： 2003
期刊名： Engineering Applications of Artificial Intelligence
人工智能的工程应用
年卷期： 2003, vol.16, no.7-8
摘 要： A study is presented to compare the performance of bearing fault detection using two different classifiers, namely, artificial neural networks (ANNs) and support vector machines (SMVs). The time-domain vibration signals of a rotating machine with normal and defective bearings are processed for feature extraction. The extracted features from original and preprocessed signals are used as inputs to the classifiers for two-class (normal or fault) recognition. The classifier parameters, e.g., the number of nodes in the hidden layer in case of ANNs and the radial basis function kernel parameter (width) in case of SVMs along with the selection of input features are optimized using genetic algorithms. The classifiers are trained with a subset of the experimental data for known machine conditions and are tested using the remaining set of data. The procedure is illustrated using the experimental vibration data of a rotating machine. The roles of different vibration signals and signal preprocessing techniques are investigated. The results show the effectiveness of the features and the classifiers in detection of machine condition.

本文提出一项研究，比较使用两种不同分类器（人工神经网络（ANNs）和支持向量机（SMVs））进行轴承故障检测的性能。对正常和故障轴承的旋转机械在时域上的振动信号进行处理以提取特征。从原始信号和预处理信号中提取的特征被用作分类器的输入，用于二分类（正常或故障）识别。通过遗传算法优化分类器参数，例如人工神经网络中隐藏层节点的数量、支持向量机中的径向基函数核参数（宽度），以及输入特征的选择。分类器使用已知机器工况下的实验数据子集进行训练，并利用剩余数据集进行测试。该方法以一台旋转机械的实验振动数据为例进行了说明。研究探讨了不同振动信号及信号预处理技术的作用。结果表明，所提取的特征和分类器在检测机器状态方面具有良好的有效性。
中文内容为网络AI翻译，专业术语未必准确，仅供参考。

VIP网员

联系我们 | 登录注册 | 会员管理 | 网员服务 | 服务信息 | 广告服务 | 高薪聘请 | 法律声明 | 关于我们

京公网安备 11010202009788    京ICP备2021015424号