基于SMO算法的SVM分类器在压缩机故障识别中应用

• 作者: 丁炜 陈宏希 马应魁 齐冬莲
• 来源期刊: 自动化与仪器仪表
• 学科: 工学
• 关键词: 支持向量机 序列最小优化算法 分类器 压缩机 故障识别
• 年，卷（期）: 2012,（3）
• 所属期刊栏目: 应用技术
• 页码范围: 96-98
• 分类号: TH45
• 字数: 2474字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-9227.2012.03.040

摘要

采用时频分析和支持向量机(SVM)相结合,提出一种压缩机故障识别新方法.首先利用LabvieW软件平台,对压缩机振动信号进行时频分析；然后提取出空气压缩机故障信号的特征向量,组成训练样本和测试样本;最后使用一对一方法构造成多元支持向量机分类器,利用序列最小优化(SMO)算法对故障样本进行训练,实现了压缩机的故障识别.实验测试表明,该分类器有较高故障诊断效率且性能良好,适合压缩机的故障识别.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	马应魁	兰州石化职业技术学院电子电气工程系	17	91	5.0	9.0
2	齐冬莲	浙江大学电气工程学院	74	944	15.0	28.0
3	陈宏希	兰州石化职业技术学院电子电气工程系	33	214	6.0	14.0
4	丁炜	兰州石化职业技术学院电子电气工程系	21	58	5.0	6.0