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 > 6. 信号处理与特征分析 > 特征与分类

关键词搜索：

标 题： A Hyper-ellipsoidal Support Vector Data Description Incremental Learning Method for Bearing Fault Diagnosis
基于超椭球支撑向量数据描述的轴承故障诊断增量学习方法
作 者： Minglei LU
Siqi QIU
Xin CHEN
Chunfeng KONG
Yingmao Cheng
关键词： Bearing fault diagnosis  [轴承故障诊断]
Incremental learning  [ 增量学习]
Feature extraction  [ 特征提取]
SVDD  [ SVDD]
Fuzzy logic  [ 模糊逻辑]
出版年： 2020
会议名： 2020 Global Reliability and Prognostics and Health Management (PHM-Shanghai 2020)
2020全球可靠性、预测性维护与健康管理（PHM-上海2020）
届 次：
摘 要： This paper proposes a novel method based on hyper-ellipsoidal Support Vector Data Description (SVDD) for bearing fault diagnosis. First, features of bearing fault data are selected based on integrated indicators to solve the overlapping problems of features from different bearing faults. Second, considering that multiple fault data of bearings in practical applications cannot be obtained at one time in a short time, the incremental learning model is established by creating high-dimensional spatial feature hyper-ellipsoids with the concept of SVDD. Finally, we conducted experiments by two laboratory data sets to validate the effectiveness of the proposed method.

本文提出了一种基于超椭球形支持向量数据描述（SVDD）的新型轴承故障诊断方法。首先，通过综合指标选择轴承故障数据的特征，以解决不同故障类型特征之间重叠的问题。其次，考虑到实际应用中无法在短时间内一次性获取多个轴承的故障数据，本文采用SVDD的思想构建高维空间特征超椭球体，从而建立增量学习模型。最后，通过两个实验室数据集进行实验，验证了该方法的有效性。
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