论文部分内容阅读
针对滚动轴承早期故障诊断中故障特征微弱难以有效检测的问题，提出一种基于Adaboost提升支持向量机（Support vector machines，SVM）集成学习模型的滚动轴承早期故障诊断方法。首先以Cincinnati大学实测的滚动轴承全寿命振动数据为基础，采用特征参数跟踪法，建立特征参数的趋势分析，并据此选择用于滚动轴承早期故障诊断的敏感特征参量，然后通过构造Adaboost提升SVM集成学习模型，并将其应用于滚动轴承的早期故障检测中。AdaBoost能够自适应地提升单一SVM的分类性能，相对于传