为监测分布式驱动电动汽车中轮毂电机运行状态,确保整车运行安全,提出一种基于改进的多类支持向量数据描述(multi-class support vector data description,简称MCSVDD)的轮毂电机故障诊断方法。首先,针对MCSVDD算法的改进,基于近邻传播(...为监测分布式驱动电动汽车中轮毂电机运行状态,确保整车运行安全,提出一种基于改进的多类支持向量数据描述(multi-class support vector data description,简称MCSVDD)的轮毂电机故障诊断方法。首先,针对MCSVDD算法的改进,基于近邻传播(affinity propagation,简称AP)聚类算法提出了MCSVDD以“距离类内簇中心最小”的类别判断法则,并基于Weibull函数构造了Weibull核函数,用于优化数据描述模型;其次,针对轮毂电机运行状态的多维特征参数组,提出一种基于最小距离传播鉴别投影(minimum-distance propagation discriminant projection,简称MPDP)的降维法,提高了不同工况下轮毂电机故障状态的可分性;最后,定制带有典型轴承故障的轮毂电机,采集7种工况下的振动信号,验证所提出方法的有效性。结果表明:基于MPDP降维后的轮毂电机运行状态观测样本的可分性优于线性判别分析(linear discriminant analysis,简称LDA)、局部保持投影(locality preserving projection,简称LPP)及最小距离鉴别投影(minimum-distance discriminant projection,简称MDP)方法,基于Weibull核函数的MCSVDD状态识别系统的识别精度整体高于基于多项式和高斯核函数的MCSVDD系统。展开更多
在分解法进行多类支撑向量机的训练中,所有的两类问题训练都采用一种核函数是不合适的。本文在一对一(OAO, one against one)训练算法中优先选择线性核函数,并将训练结果用有向无回路图 DAG(Directed AcyclicGraph)的方法进行中医舌质...在分解法进行多类支撑向量机的训练中,所有的两类问题训练都采用一种核函数是不合适的。本文在一对一(OAO, one against one)训练算法中优先选择线性核函数,并将训练结果用有向无回路图 DAG(Directed AcyclicGraph)的方法进行中医舌质、舌苔识别。结果表明,该方法可以获得超过 85%的正确识别率,识别速度也比较快。展开更多
文摘在分解法进行多类支撑向量机的训练中,所有的两类问题训练都采用一种核函数是不合适的。本文在一对一(OAO, one against one)训练算法中优先选择线性核函数,并将训练结果用有向无回路图 DAG(Directed AcyclicGraph)的方法进行中医舌质、舌苔识别。结果表明,该方法可以获得超过 85%的正确识别率,识别速度也比较快。
