Noise and Vibration Control ›› 2023, Vol. 43 ›› Issue (5): 148-153.

Previous Articles     Next Articles

Bearing Fault Diagnosis Method Based on SVM-DS Evidence Theory and Single Sensor Multi-Dimensional Feature Fusion Decision

#br#   


  • Received:2022-05-13 Revised:2022-06-28 Online:2023-10-18 Published:2023-01-13

基于SVM-DS证据理论融合决策的故障诊断方法

李志伟曹乐   

  1. ( 上海工程技术大学电子电气工程学院,上海201620 )

摘要: 针对复杂工况下单传感器对于装备故障诊断识别率低、证据缺乏、数据冗余等问题,提出一种基于支持向量机(Support Vector Machine,SVM)结合D-S 证据理论的多维度特征数据融合决策故障诊断方法。首先,通过多种方法提取特征构建SVM分类器,对故障类型进行初步分类;然后,将Sigmoid 函数作为传递函数,利用SVM分类器对测试数据进行分类,获取测试样本的后验概率并得到测试样本的混淆矩阵;最后,根据混淆矩阵求出局部可信度与全局可信度,并与后验概率相结合实现基本概率分配函数赋值,通过融合计算得到最终诊断结果。实验结果表明,融合后的分类器模型对内圈故障类型分类准确率达100 %,对正常和滚珠类型分类准确率为95 %,对外圈故障分类准确率为90 %。采取多特征融合诊断相较于单一方法有较高准确率和鲁棒性,可有效降低单一特征提取所带来的不稳定性。

关键词: 故障诊断, 单传感器, 支持向量机, 证据理论, 多维特征, 融合决策