10.13465/j.cnki.jvs.2017.10.017
基于不同工况下辅助数据集的齿轮箱故障诊断
针对变工况下齿轮箱监测数据重用性低,受复杂工况影响大和已训练模型经常失效的问题,提出基于不同工况下辅助数据集的迁移成分分析方法用于设备故障诊断.迁移成分分析(Transfer Component Analysis,TCA)通过核函数将训练样本与测试样本映射到潜在空间,进而减小训练样本与测试样本的分布差异性.重点对比分析训练数据中不同工况下辅助数据所占比例对迁移成分分析算法性能的影响,通过仿真分析和实验验证得出,迁移成分分析方法相比传统机器学习算法,明显地减小了训练样本与测试样本的分布差异,具有更高的监测数据重用率与更高的诊断准确率,有效提高了齿轮箱变工况故障诊断的准确率和可靠性.
齿轮箱、不同工况、辅助数据集、故障诊断、迁移成分分析
36
TH132.41
国家自然科学基金51504274,51674277;国家重点研发计划2016YFC0802103;中国石油大学北京自然科学基金2462014YJRC039,2462015YQ0403
2017-07-12(万方平台首次上网日期,不代表论文的发表时间)
共6页
104-108,116