• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Conference on Information Science and Control Engineering >Fault Diagnosis Based on Wavelet Entropy Feature Extraction and Information Fusion
【24h】

Fault Diagnosis Based on Wavelet Entropy Feature Extraction and Information Fusion

机译：基于小波熵特征提取和信息融合的故障诊断

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

It is important to reduce keeping costs and hold up unscheduled downtimes for machinery. So knowledge of what, where and how faults occur is very important. Fault detection and diagnosis are necessary for implementing CBM (condition base model) Best classifier systems which are considered as one of the most significant advances in pattern classification in recent years. We exposure new algorithm in this paper, this new algorithm have 3 steps. In the First step used wavelet Entropy for make wavelet tree with coefficient in each node. In second step using wavelet tree fused data with maximum coefficient in wavelet tree and in step three with output of fusion function we classification this fusion data by kernel method. This algorithm have best time study because the time of search algorithms is, D is depth of wavelet tree. Our proposed fusion strategies take into account that a Wavelet-Entropy by finding the optimal kernel size with maximal margin. Then a kernel Machine classifier is trained.
机译：重要的是减少保持成本并防止机器意外停机。因此，了解什么地方，什么地方发生故障以及如何发生故障非常重要。故障检测和诊断是实现CBM（条件基础模型）最佳分类器系统所必需的，而最佳分类器系统被认为是近年来模式分类中最重要的进步之一。我们在本文中介绍了新算法，该新算法包括3个步骤。在第一步中，使用小波熵制作每个节点中具有系数的小波树。在第二步中，使用小波树中具有最大系数的小波树融合数据，在第三步中，使用融合函数的输出，通过核方法对该融合数据进行分类。该算法具有最佳的学习时间，因为搜索算法的时间为D为小波树的深度。我们提出的融合策略通过找到具有最大余量的最优核尺寸来考虑小波熵。然后训练一个内核机器分类器。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号