通过分析电机故障模式识别的原理，提出应用回归型支持向量机进行电机故障特征学习和分类的方法；从回归型支持向量机的基本原理出发，探讨线性回归与非线性回归两种情形，对其预测能力进行分析得到误差计算公式； 在其基础上建立同步电机故障诊断模型并进行仿真，通过电压波形处理前后的对比，能够及时检测到故障的发生并进行识别，而验证了回归型支持向量机是电机故障诊断在线检测的一种有效方法；但如何把已有的先验知识应用到SVM 训练中仍然是一个悬而未决的问题。电机的状态监测与故障诊断技术研究，对提高电机的维护管理水平，保障其运行可靠性有重要意义。经过多年的研究与努力，人们已开发出一些比较成熟的状态监测技术和方法，可对多种电机故障状态进行监测、识别和诊断。由于电机故障机理的复杂性，难以对实际故障建模，又加上环境噪声难以估计，因而很难形成一个准确的故障诊断判据。近年来，出现了利用支持向量机对电机故障进行诊断是一种很有发展前景的诊断方法。支持向量机(sVM)是在统计学习理论基础上发展出的一种模式识别方法。SVM 方法能在样本数较少的情况下获得很好的分类推广能力，对于小样本、非线性及高维模式识别问题的解决具有许多特有的优势[1]。目前，支持向量机方法在很多领域得到了应用。本文通过对回归型支持向量机的研究，探讨了回归型支持向量机在电机故障诊断方面的应用。
猜您喜欢
推荐内容
开源项目推荐 更多
热门活动
热门器件
用户搜过
随便看看
热门下载
京公网安备 11010802033920号
Copyright © 2005-2024 EEWORLD.com.cn, Inc. All rights reserved
评论