針對(duì)傳統(tǒng)的支持向量機(jī)（SVM）算法參數(shù)往往根據(jù)經(jīng)驗(yàn)設(shè)定,難以建立最優(yōu)模型以準(zhǔn)確地檢測出伺服電機(jī)滾動(dòng)軸承早期故障的問題,研究一種基于多目標(biāo)和聲搜索優(yōu)化SVM的伺服電機(jī)滾動(dòng)軸承性能退化評(píng)估方法。首先提取軸承振動(dòng)信號(hào)的時(shí)域、時(shí)頻域特征作為原始特征集,采用堆疊稀疏自編碼器對(duì)原始特征集進(jìn)行更深層次的特征提取,得到最終的特征向量。之后以軸承退化曲線的趨勢性和單調(diào)性作為適應(yīng)度函數(shù),采用多目標(biāo)和聲搜索算法對(duì)SVM的參數(shù)進(jìn)行優(yōu)化,建立最優(yōu)評(píng)估模型,得到軸承的性能退化指標(biāo)。實(shí)驗(yàn)結(jié)果表明:該方法能準(zhǔn)確地檢測出軸承的早期故障,相比于傳統(tǒng)的軸承SVM性能退化評(píng)估方法具備更好的趨勢性和單調(diào)性。 

【文章來源】：機(jī)床與液壓. 2020,48(16)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

堆疊稀疏自編碼器示意

MOHS-SVM算法流程

圖3為軸承性能退化的評(píng)估流程。首先,對(duì)滾動(dòng)軸承全生命周期的振動(dòng)加速度信號(hào)按第1.1節(jié)的方法進(jìn)行初步的時(shí)域、時(shí)頻域的特征提取以構(gòu)成軸承全生命周期數(shù)據(jù)的原始特征集;之后將原始特征集數(shù)據(jù)歸一化后輸入SSAE,無監(jiān)督地逐層訓(xùn)練SSAE,對(duì)原始特征集進(jìn)行更深層次的特征提取,得到最終的特征向量;然后將軸承早期無故障特征向量作為訓(xùn)練樣本訓(xùn)練單值分類SVM模型,并以評(píng)估結(jié)果DI曲線的corr、mon作為目標(biāo)函數(shù),利用MOHS對(duì)SVM模型的參數(shù)C和參數(shù)σ進(jìn)行優(yōu)化,得到最佳的SVM模型;最后將軸承全生命周期的特征向量輸入到該SVM模型,以待測樣本偏離目標(biāo)樣本的距離D作為性能退化指標(biāo)DI。

【參考文獻(xiàn)】：
期刊論文
[1]基于果蠅優(yōu)化算法-小波支持向量數(shù)據(jù)描述的滾動(dòng)軸承性能退化評(píng)估[J]. 朱朔,白瑞林,劉秦川.  中國機(jī)械工程. 2018(05)
[2]基于EMD和邏輯回歸的軸承性能退化評(píng)估[J]. 周建民,黎慧,張龍,李鵬.  機(jī)械設(shè)計(jì)與研究. 2016(05)



本文編號(hào)：3092106