典型文献
基于FFT和LLTSA的传动系统故障诊断研究
文献摘要：
在传统的故障诊断方法中,往往先要基于先验知识求取原始振动信号的特征,并将其输入到智能分类器中进行模式识别,其中容易出现信息丢失,且依靠人为经验进行判断不够准确,针对这一问题,提出了基于快速傅里叶变换(FFT)与流行学习联合的智能故障诊断模型.首先,采用FFT变换将原始数据从时域转换到频域,获得了高维特征数据;然后,使用3种流形学习算法,即多维尺度变换(MDS)、核主成分分析(KPCA)、线性局部切空间排列(LLTSA),获得了低维表征信息;最后,基于故障诊断试验平台系统,对轴承及齿轮工作数据信息进行了获取与处理,将其数据样本输入到智能分类器中,进行了训练和测试.研究结果表明:FFT降维变换可以有效地减少人为选择因素引起的样本衰减现象,同时最近邻域估计算法可以提高智能分类器的测试准确率,使得基于FFT与流行学习的联合智能分类模型对状态数据识别率在80％以上,其中FFT+LLTSA联合智能分类模型的识别率最高可达到87％以上;该结果可验证该分类模型在机械传动系统故障检测中具有的有效性.
文献关键词：
机械传动系统;快速傅里叶变换;流形学习;线性局部切空间排列;智能分类
中图分类号：
作者姓名：
陈晓;刘秋菊;王仲英
作者机构：
郑州工程技术学院 机电与车辆学院,河南 郑州450000;郑州工程技术学院 信息工程学院,河南 郑州450000;河南经贸职业学院 工程经济学院,河南 郑州450018
文献出处：
引用格式：
[1]陈晓;刘秋菊;王仲英-.基于FFT和LLTSA的传动系统故障诊断研究)[J].机电工程,2022(04):513-518
A类：
LLTSA,知识求取,流行学习,线性局部切空间排列,FFT+LLTSA
B类：
系统故障,诊断研究,故障诊断方法,先验知识,振动信号,智能分类,分类器,模式识别,信息丢失,快速傅里叶变换,智能故障诊断,故障诊断模型,原始数据,域转换,换到,频域,高维特征,特征数据,流形学习,多维尺度变换,MDS,核主成分分析,KPCA,低维,诊断试验,试验平台,平台系统,轴承,齿轮,作数,素引,最近邻,邻域,估计算法,高智能,分类模型,状态数据,数据识别,识别率,可验证,机械传动系统,故障检测
AB值：
0.281546
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
