陈云强
- 作品数：3 被引量：20H指数：2
- 供职机构：燕山大学电气工程学院河北省工业计算机控制工程重点实验室更多>>
- 发文基金：国家自然科学基金河北省自然科学基金更多>>
- 相关领域：自动化与计算机技术机械工程更多>>
- 滚动轴承复合故障的智能诊断系统研究
- 滚动轴承是机械设备中应用最广泛且极易损坏的部件之一，其运行状态将直接影响系统的整体性能，导致设备损毁甚至造成灾难性事故。因此，开展对滚动轴承振动信号的监测和故障诊断具有重大现实意义。本文以基于支持向量机的滚动轴承故障诊断...
- 陈云强
- 关键词：滚动轴承多特征提取信息融合人工蜂群算法
- 基于改进ABC算法优化的LSSVM多分类器组机械故障诊断模型被引量：9
- 2013年
- 为了提高复杂机械故障诊断的确诊率,提出了一种基于改进人工蜂群算法(improved artificial bee colony,IABC)优化LSSVM多分类器组的故障诊断模型。该模型利用多特征提取方法,获取了较为完备的时频域特征信息,同时选择具有较强搜索能力和快速收敛性的IABC算法优化了LSSVM分类器的参数,提高了分类效率,在诊断决策层,利用评估矩阵进行了多分类器诊断结果的融合决策。通过与传统方法的对比表明:该诊断模型不仅能获取完备的故障特征信息,而且能更快地获取LSSVM最优分类参数;同时,基于评估矩阵的融合决策能够充分考虑各子分类器的性能差异,保证了诊断决策的高效精确。多种数据仿真表明,该诊断模型适用于机械故障诊断。
- 李鑫滨陈云强张淑清
- 基于LS-SVM多分类器融合决策的混合故障诊断算法被引量：10
- 2013年
- 故障诊断的关键是特征向量提取和分类器的选择,提出一种综合运用多特征提取和多分类器组融合决策的故障诊断算法。多特征提取选择小波包变换、总体平均经验模式分解方法(Empirical Mode Decomposition,EEMD)和改进小波能熵方法,得到三组不同的故障特征信息;将这三组特征信息输入由3个最小二乘支持向量机(Least Square Support Vector Machine,LS-SVM)组成的分类器组进行初步诊断;采用自整定权值的决策模板法(Self-adjusting weighted Decision Templates,SWDT)进行多分类器诊断结果的融合决策。实验证明,该方法能实现轴承不同故障类型,尤其是复合故障的可靠识别,验证了该算法提取轴承故障特征信息的完备性,以及分类器组融合决策的可靠性。
- 李鑫滨陈云强张淑清
- 关键词：多特征提取多分类器融合
