具有結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的支持向量機(jī)（SVM）對(duì)于小樣本決策具有較好的學(xué)習(xí)推廣性，并且故障樣本的不足在一定程度上制約了基于知識(shí)的方法在故障診斷中的運(yùn)用。針對(duì)這一問題，提出了利用支持向量機(jī)的方法對(duì)匝間轉(zhuǎn)子繞組短路故障診斷方法。該方法利用小波分析對(duì)探測(cè)線圈測(cè)得感應(yīng)電動(dòng)勢(shì)進(jìn)行處理構(gòu)造特征向量，然后輸入到支持向量機(jī)的多故障分類器中進(jìn)行故障識(shí)別。實(shí)驗(yàn)數(shù)據(jù)表明該方法是可行、有效的，并且在小樣本的情況下，較BP神經(jīng)網(wǎng)絡(luò)有更好的分類效果。
標(biāo)簽：
支持向量機(jī)
發(fā)電機(jī)
匝間
轉(zhuǎn)子
上傳時(shí)間：
2013-11-04
上傳用戶：s363994250
