基于Littlewood-Paley小波支持向量机的故障诊断

提出一种基于Littlewood-Paley小波支持向量机(LPWSVM)的旋转机械故障诊断模型。首先将故障信号EMD分解为平稳IMF分量,再选择表征故障调制特征的IMF分量并构造瞬时幅值Shannon熵作为故障特征矢量输入到LPWSVM中进行故障识别。EMD分解可自适应分离故障调制信号;瞬时幅值Shannon熵矢量的不同拉大了各类故障的互异性;Littlewood-Paley小波核是一种具有平移正交性的多维允许支持向量核函数,可以其正交性逼近二次可积空间上的任意函数,具有良好的作线性映射能力,因而LPWSVM在同等条件下比一般最小二乘支持向量机的学习精度和自适应识别能力要高,更适用于故障诊断等复杂模式识别问题。一个滚动轴承故障诊断实例说明该模型的有效性。

最小二乘Littlewood-Paley小波支持向量机

基于小波分解理论和支持向量机核函数的条件,提出了一种多维允许支持向量核函数———L it-tlewood-Paley小波核函数.该核函数不仅具有平移正交性,而且可以以其正交性逼近二次可积空间上的任意曲线,从而提升了支持向量机的泛化性能.在L ittlewood-Paley小波函数作为支持向量核函数的基础上,提出了最小二乘L ittlewood-Paley小波支持向量机(LS-LPW SVM).实验结果表明,LS-LPW SVM在同等条件下比最小二乘支持向量机的学习精度要高,因而更适用于复杂函数的学习问题.*