针对以往的故障诊断系统实时性差、学习能力有限而且工程实现难的问题,提出了一种改进的云加端支持向量机(Cloud and Terminal Support Vector Machines,CaTSVM),并将其运用在电机轴承故障诊断中。CaTSVM方法把传统的故障诊断中的特征...针对以往的故障诊断系统实时性差、学习能力有限而且工程实现难的问题,提出了一种改进的云加端支持向量机(Cloud and Terminal Support Vector Machines,CaTSVM),并将其运用在电机轴承故障诊断中。CaTSVM方法把传统的故障诊断中的特征提取和特征分类两部分分别运行在终端设备和云端设备中,并且将"流水线"(Pipeline)数据处理结构引入到CaTSVM方法中,有效提升了该方法的实时性。在云端建立故障特征模型库(Cloud Feature Mode Library,CFML),将故障特征选择性的加入模型库,在传统的离线SVM训练中辅以在线SVM训练,选择性的使用更新的故障特征训练SVM模型,进一步提高其分类能力,使诊断系统拥有了"终生学习"的能力。经过大量的实验验证,云加端方法的使用显著提高了诊断的准确率,并且推进了故障诊断的实际工程应用。展开更多
文摘针对以往的故障诊断系统实时性差、学习能力有限而且工程实现难的问题,提出了一种改进的云加端支持向量机(Cloud and Terminal Support Vector Machines,CaTSVM),并将其运用在电机轴承故障诊断中。CaTSVM方法把传统的故障诊断中的特征提取和特征分类两部分分别运行在终端设备和云端设备中,并且将"流水线"(Pipeline)数据处理结构引入到CaTSVM方法中,有效提升了该方法的实时性。在云端建立故障特征模型库(Cloud Feature Mode Library,CFML),将故障特征选择性的加入模型库,在传统的离线SVM训练中辅以在线SVM训练,选择性的使用更新的故障特征训练SVM模型,进一步提高其分类能力,使诊断系统拥有了"终生学习"的能力。经过大量的实验验证,云加端方法的使用显著提高了诊断的准确率,并且推进了故障诊断的实际工程应用。
