您现在的位置是：网站首页>机械工程>融合KPCA与PSO—RBF的数控机床故障诊断研究
融合KPCA与PSO—RBF的数控机床故障诊断研究
简介
摘要∶针对数控机床发生故障时多故障源、多变量、强概合的特点和RBF神经网络结构参数选取依据经验的问题，提出一种融合核主元分析方法（kemel principal component amalyais，KPCA）与粒子群算法优化RBF 神经网络的数校机库放障诊新方法。首先，对所测信号利用核主元分析方法进行降噪、拨完余，提取故障特征;其次，利用粒子群算法（Prticle swarm optimiation，PSO）优化 RBF神经网络隐层节点中心和宽度;最后，将经 KPCA提取的故障特征作为输入，建立PSO优化RBF的故障诊断模型。通过某数控床伺服系统七种常见故障特征仿真实验，结果表明∶与RBF神经网络、PSO 优化RBF神经网络相比，融合KPCA和PSO优化RBF神经网络的故障诊断方法不仅提高了网络的训练速度及泛化能力，而且具有更高辨识精度。
摘要∶针对数控机床发生故障时多故障源、多变量、强概合的特点和RBF神经网络结构参数选取依据经验的问题，提出一种融合核主元分析方法（kemel principal component amalyais，KPCA）与粒子群算法优化RBF 神经网络的数校机库放障诊新方法。首先，对所测信号利用核主元分析方法进行降噪、拨完余，提取故障特征;其次，利用粒子群算法（Prticle swarm optimiation，PSO）优化 RBF神经网络隐层节点中心和宽度;最后，将经 KPCA提取的故障特征作为输入，建立PSO优化RBF的故障诊断模型。通过某数控床伺服系统七种常见故障特征仿真实验，结果表明∶与RBF神经网络、PSO 优化RBF神经网络相比，融合KPCA和PSO优化RBF神经网络的故障诊断方法不仅提高了网络的训练速度及泛化能力，而且具有更高辨识精度。
上一篇：液压挖掘机防爆阀选用的试验研究
推荐下载
精品资源合集一键下载