基于两类特征与AFSA优化SVM的滚动轴承故障诊断研究

论文摘要

针对非线性、非平稳的滚动轴承振动信号特征"难表征"和基于支持向量机(Support vector machine, SVM)的故障分类模型"精度低"的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)、峭度图(Kurtogram)与人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化SVM相结合的滚动轴承状态辨识方法。首先,利用Kurtogram算法、相关系数最大准则"筛选"出原信号经VMD后包含有效故障信息的本征模函数(Intrinsic Mode Functions, IMF),并计算其形态谱熵和能量熵构建有效特征向量集;其次,利用AFSA寻找最优的惩罚系数C和高斯核宽度系数σ的核函数系数组合(C、σ);并将有效特征向量集作为上述算法的输入建立滚动轴承状态辨识模型。实验结果表明,所提方法不仅能凸显原信号中的有效故障成份,同时也提高了模型学习效率和分类精度。

论文目录

• 引言
• 1 信号分解及特征向量集构建
• 2 AFSA-SVM模型构建
• 3 试验分析
•   3.1 测试系统搭建及信号采集
•   3.2 IMF形态谱熵、能量熵特征向量集构建
•   3.3 状态辨识模型构建
• 4 结论

文章来源

类型: 期刊论文

作者: 张鲁洋,秦波,赵文军,李宏,张建强,王建国

关键词: 变分模态分解,峭度图,人工鱼群,核函数参数最优组合

来源: 机械强度 2019年04期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 机械工业

单位: 内蒙古科技大学机械工程学院,特种车辆及其传动系统智能制造国家重点实验室,中国人民解放军驻六一七厂军事代表室

基金: 国家自然科学基金项目(51565046),内蒙古自然科学基金项目(2017MS0509),内蒙古自治区研究生科研创新项目(S20171012708)资助~~

分类号: TH133.33

DOI: 10.16579/j.issn.1001.9669.2019.04.007

页码: 807-813

总页数: 7

文件大小: 667K

下载量: 152