基于全矢支持向量回归的设备频谱成分预测研究

发布时间：2018-05-23 19:41

本文选题：频谱成分预测 + 全矢谱　；参考：《机械设计与制造》2017年12期

【摘要】：支持向量机(SVM)在解决小样本、非线性及高维问题方面表现突出,支持向量回归(SVR)目前被广泛应用于设备状态趋势预测中用于故障定量分析。故障预测用于定性分析的相对较少,为进一步提高其预测精度,结合基于同源信息融合的全矢谱技术进行倍频成分预测。该方法采用全矢谱技术融合双通道信息,相比传统单通道信号提取方法,保障了SVR预测数据特征提取的完整性,提高预测精度。对特征频率进行分别预测,然后重新生成预测的频谱图。该方法应用于某电厂1号汽轮机振动数据的预测,实验结果表明,全矢支持向量回归(FVSVR)频谱成分预测方法具有较高的预测精度,可以对一些故障定性分析。
[Abstract]:Support vector machine (SVM) is widely used in fault analysis in the prediction of equipment state trend. Support vector regression (SVR) is widely used in solving small sample, nonlinear and high dimensional problems. Fault prediction is seldom used in qualitative analysis. In order to further improve its prediction accuracy, the full vector spectrum based on homologous information fusion is used to predict the octave components. Compared with the traditional single-channel signal extraction method, this method can ensure the integrity of SVR prediction data feature extraction and improve the prediction accuracy. The characteristic frequency is predicted separately, and the predicted spectrum is generated again. The method is applied to the prediction of vibration data of steam turbine No. 1 in a power plant. The experimental results show that the full-vector support vector regression FVSVR method has high prediction accuracy and can be used to analyze some faults qualitatively.
【作者单位】：郑州大学振动工程研究所;
【基金】：国家自然科学基金(51405453) 河南省教育厅科学技术研究重点项目指导计(13B603970.0) 河南省高等学校精密制造技术与工程重点学科开放实验室开放基金资助项目(PMTE201301A)
【分类号】：TM621.3

【相似文献】