針對滾動軸承數(shù)據(jù)信號不穩(wěn)定、非線性的特性,提出一種采用集合經(jīng)驗?zāi)B(tài)分解（EEMD）、希爾伯特（Hilbert）變換實現(xiàn)特征提取,改進教與學算法（ITLBO）優(yōu)化支持向量機（SVM）參數(shù)的滾動軸承故障診斷方法。首先通過EEMD方法將目標信號分解成若干個模態(tài)函數(shù),采取Hilbert變換獲得模態(tài)函數(shù)的瞬時頻率;對模態(tài)函數(shù)和其瞬時頻率進行統(tǒng)計特征提取并實現(xiàn)特征變量降維,提高診斷效率;最后利用ITLBO算法優(yōu)化SVM參數(shù),構(gòu)造ITLBO_SVM診斷模型進行多分類故障診斷。實例證明,信號經(jīng)過EEMD分解和Hilbert變換再提取特征信息,代入ITLBO_SVM的優(yōu)化模型比傳統(tǒng)的粒子群算法優(yōu)化模型的正確率更高,效果更穩(wěn)定,驗證了該方法的可行性與有效性。 

【文章來源】：機械設(shè)計與制造. 2020,(06)北大核心

【文章頁數(shù)】：5 頁

【參考文獻】：
期刊論文
[1]基于改進的教與學算法的線性自抗擾在負荷頻率控制中的應(yīng)用[J]. 張強,孫建平,武昊.  儀器儀表用戶. 2017(06)
[2]基于EEMD和MFFOA-SVM滾動軸承故障診斷[J]. 何青,褚東亮,毛新華.  中國機械工程. 2016(09)
[3]粒子群優(yōu)化支持向量機的室內(nèi)無線定位方法[J]. 趙宇,孫挺.  計算機工程與應(yīng)用. 2014(19)
[4]基于核主成分分析的數(shù)據(jù)流降維研究[J]. 高宏賓,侯杰,李瑞光.  計算機工程與應(yīng)用. 2013(11)
[5]基于經(jīng)驗?zāi)B(tài)分解和支持向量機的短期風電功率組合預(yù)測模型[J]. 葉林,劉鵬.  中國電機工程學報. 2011(31)
[6]支持向量機理論與算法研究綜述[J]. 丁世飛,齊丙娟,譚紅艷.  電子科技大學學報. 2011(01)



本文編號：3169368