[发明专利]一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法在审
| 申请号： | 201510580526.6 | 申请日： | 2015-09-13 |
| 公开（公告）号： | CN105181110A | 公开（公告）日： | 2015-12-23 |
| 发明（设计）人： | 吕琛;程玉杰;赵万琳;王亚杰 | 申请（专利权）人： | 北京航空航天大学 |
| 主分类号： | G01H9/00 | 分类号： | G01H9/00;G01M13/04 |
| 代理公司： | 北京科迪生专利代理有限责任公司 11251 | 代理人： | 杨学明;顾炜 |
| 地址： | 100191*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供了一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法，首先将振动信号转换为二维图像，在该转换之前利用小波降噪来降低噪声对特征提取的干扰。然后，针对二维图像应用SIFT算法提取尺度不变特征向量，得到一个128维的特征矩阵，再利用KPCA算法实现特征向量的降维。此后，提取简化特征向量的奇异值，并最终将其输入SVM分类器实现故障分类。该方法具有很高的分类精度。 | ||
| 搜索关键词： | 一种 基于 sift kpca svm 滚动轴承 故障诊断 方法 | ||
【主权项】：
一种基于SIFT‑KPCA和SVM的滚动轴承故障诊断方法，其特征在于：该方法的步骤如下：步骤一、图像转换：将振动信号转换为二维图像，在该转换之前利用小波降噪来降低噪声对特征提取的干扰；步骤二、基于SIFT‑KPCA的特征提取：针对二维图像应用SIFT算法提取尺度不变特征向量，得到一个128维的特征矩阵，再利用KPCA算法实现特征向量的降维，最终采用SVD算法提取降维后特征向量的奇异值，形成最终的特征矩阵；步骤三、SVM分类器的训练与分类：采用特征矩阵中的部分奇异值向量作为训练数据训练SVM分类器，将其余的奇异值向量作为测试数据输入训练好的SVM分类器实现故障分类。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京航空航天大学，未经北京航空航天大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201510580526.6/，转载请声明来源钻瓜专利网。
- 上一篇：多线复绕式钢丝生产线
- 下一篇：一种无霜空气源热泵热水机组
