提出利用LMD(Local Mean Decomposition)方法获取生产函数分量(PF分量)进行SVM(Support Vector Machine)建模,用此方法对采煤工作面瓦斯涌出量进行预测。通过LMD对瓦斯涌出量的历史数据进行分解得到其PF分量,然后,对应于每个PF分量各利...提出利用LMD(Local Mean Decomposition)方法获取生产函数分量(PF分量)进行SVM(Support Vector Machine)建模,用此方法对采煤工作面瓦斯涌出量进行预测。通过LMD对瓦斯涌出量的历史数据进行分解得到其PF分量,然后,对应于每个PF分量各利用SVM函数拟合方法进行外推预测,再把不同PF分量的预测结果进行叠加重构合成,进而获得瓦斯涌出量预测的理论结果值。通过对某煤矿监测历史数据进行实例分析,可见此方法预测效果比常规SVM方法预测精度高,LMD的引入可大幅度提高瓦斯涌出量的预测精度,表明此方法建立的采煤工作面瓦斯涌出量预测模型具有较好的合理性和可靠性。PF分量的获取和SVM方法小样本预测的结合,能够充分发掘数据本身所蕴含的物理机制和物理规律,这也十分符合利用数据自身驱动来获取其影响因素相互间的物理机制,从而为瓦斯涌出量预测精度的提高奠定较好基础。展开更多
论述了局域均值分解(Local mean decomposition,LMD)的定义和算法。结合局域均值分解、包络分析和支持向量机(Support vector machine,SVM)的各自特点,提出了一种基于LMD包络谱和SVM的滚动轴承故障诊断方法,该方法先对滚动轴承振动信号...论述了局域均值分解(Local mean decomposition,LMD)的定义和算法。结合局域均值分解、包络分析和支持向量机(Support vector machine,SVM)的各自特点,提出了一种基于LMD包络谱和SVM的滚动轴承故障诊断方法,该方法先对滚动轴承振动信号进行分解,得到一系列的生产函数分量,然后,再对前面几个生产函数分量进行包络分析,从包络谱中提取特征幅值比作为特征向量输入到SVM分类器中进行识别。实验结果验证了提出的方法的有效性,可以有效地识别滚动轴承的不同故障。展开更多
针对局部均值分解(Local Mean Decomposition,LMD)在提取故障特征时易受到噪声干扰的问题,提出了一种基于局部均值分解和独立分量分析(Independent Component Analysis,ICA)的滚动轴承故障诊断方法。该方法首先采用LMD方法提取信号PF分...针对局部均值分解(Local Mean Decomposition,LMD)在提取故障特征时易受到噪声干扰的问题,提出了一种基于局部均值分解和独立分量分析(Independent Component Analysis,ICA)的滚动轴承故障诊断方法。该方法首先采用LMD方法提取信号PF分量;其次,对PF分量进行ICA盲源分离,得到PF分量的估计信号,有效去除了分量中的噪声成分;然后,提取估计信号的互信息、相关系数和近似熵作为特征向量;最后,采用SVM对特征向量进行故障分类,通过特征提取和故障诊断实验,结果表明LMD-ICA方法的故障识别率明显高于传统LMD方法。展开更多
Aiming at the non-stationary feattwes of the roller bearing fault vibration signal, a roller bearing fault diagnosis methtxt based on improved Local Mean Decomposition （LMD） and Support Vector Machine （SVM） is pro...Aiming at the non-stationary feattwes of the roller bearing fault vibration signal, a roller bearing fault diagnosis methtxt based on improved Local Mean Decomposition （LMD） and Support Vector Machine （SVM） is proposed. In this paper, firstly, the wavelet analysis is introduced to the signal decomposition and reconstruction; secondly, the LMD method is used to decompose the recomtnion signal obtained by the wavelet analysis into a ntmaber of Product Ftmctions （PFs） that include main fault characteristics, thus, the initial feattwe vector matrixes could be formed automatically; Thirdly, by applying the Singular Valueition （SVD） techniques to the initial feature vector matrixes, the singular values of the matrixes can be obtained, which can be used as the fault feature vectors of the roller bearing and serve as the input vectors of the SVM classifier; Finally, the recognition results can be obtained from the SVM output. The results of analysis show that the propsed method can be applied to roller beating fault diagnosis effectively.展开更多
文摘提出利用LMD(Local Mean Decomposition)方法获取生产函数分量(PF分量)进行SVM(Support Vector Machine)建模,用此方法对采煤工作面瓦斯涌出量进行预测。通过LMD对瓦斯涌出量的历史数据进行分解得到其PF分量,然后,对应于每个PF分量各利用SVM函数拟合方法进行外推预测,再把不同PF分量的预测结果进行叠加重构合成,进而获得瓦斯涌出量预测的理论结果值。通过对某煤矿监测历史数据进行实例分析,可见此方法预测效果比常规SVM方法预测精度高,LMD的引入可大幅度提高瓦斯涌出量的预测精度,表明此方法建立的采煤工作面瓦斯涌出量预测模型具有较好的合理性和可靠性。PF分量的获取和SVM方法小样本预测的结合,能够充分发掘数据本身所蕴含的物理机制和物理规律,这也十分符合利用数据自身驱动来获取其影响因素相互间的物理机制,从而为瓦斯涌出量预测精度的提高奠定较好基础。
文摘论述了局域均值分解(Local mean decomposition,LMD)的定义和算法。结合局域均值分解、包络分析和支持向量机(Support vector machine,SVM)的各自特点,提出了一种基于LMD包络谱和SVM的滚动轴承故障诊断方法,该方法先对滚动轴承振动信号进行分解,得到一系列的生产函数分量,然后,再对前面几个生产函数分量进行包络分析,从包络谱中提取特征幅值比作为特征向量输入到SVM分类器中进行识别。实验结果验证了提出的方法的有效性,可以有效地识别滚动轴承的不同故障。
文摘针对特征提取中局域均值分解(Local Mean Decomposition,LMD)存在端点效应缺陷及模式识别中人工神经网络(Artificial Neural Network,ANN)存在收敛速度慢、过学习等不足,提出基于内积延拓LMD及支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。利用内积延拓LMD方法对信号延拓分解抑制LMD端点效应;利用分解的可描述信号特性主分量PF(Product Function)构建初始特征向量矩阵;用SVD(Singular Value Decomposition)方法对初始特征向量矩阵进行奇异值分解,获得信号特征参数作为SVM的输入进行训练;对训练的SVM进行测试及模式分类。通过实际轴承故障信号分析及故障类型分类表明,该方法不仅能抑制LMD端点效应缺陷,且在故障模式识别中能有效避免ANN网络结构难确定、收敛速度慢等不足,能较好实现轴承故障准确分类,可用于轴承故障诊断。
文摘针对局部均值分解(Local Mean Decomposition,LMD)在提取故障特征时易受到噪声干扰的问题,提出了一种基于局部均值分解和独立分量分析(Independent Component Analysis,ICA)的滚动轴承故障诊断方法。该方法首先采用LMD方法提取信号PF分量;其次,对PF分量进行ICA盲源分离,得到PF分量的估计信号,有效去除了分量中的噪声成分;然后,提取估计信号的互信息、相关系数和近似熵作为特征向量;最后,采用SVM对特征向量进行故障分类,通过特征提取和故障诊断实验,结果表明LMD-ICA方法的故障识别率明显高于传统LMD方法。
基金supported by Chinese National Science Foundation Grant(No.50775068)China Postdoctoral Science Foundation funded project(No.20080430154)High-Tech Research and Development Program of China(No.2009AA04Z414)
文摘Aiming at the non-stationary feattwes of the roller bearing fault vibration signal, a roller bearing fault diagnosis methtxt based on improved Local Mean Decomposition （LMD） and Support Vector Machine （SVM） is proposed. In this paper, firstly, the wavelet analysis is introduced to the signal decomposition and reconstruction; secondly, the LMD method is used to decompose the recomtnion signal obtained by the wavelet analysis into a ntmaber of Product Ftmctions （PFs） that include main fault characteristics, thus, the initial feattwe vector matrixes could be formed automatically; Thirdly, by applying the Singular Valueition （SVD） techniques to the initial feature vector matrixes, the singular values of the matrixes can be obtained, which can be used as the fault feature vectors of the roller bearing and serve as the input vectors of the SVM classifier; Finally, the recognition results can be obtained from the SVM output. The results of analysis show that the propsed method can be applied to roller beating fault diagnosis effectively.
