提出一種基于改進(jìn)粒子群算法和支持向量機(jī)的滾動(dòng)軸承故障診斷方法.首先分析基本粒子群算法的不足及其關(guān)鍵參數(shù),提出多方面改進(jìn)的粒子群算法,利用10種基準(zhǔn)測(cè)試函數(shù)對(duì)比多種粒子群算法,證明該改進(jìn)算法的優(yōu)勢(shì).然后結(jié)合支持向量機(jī),建立滾動(dòng)軸承故障診斷模型,并提取滾動(dòng)軸承振動(dòng)信號(hào)的時(shí)域、頻域、小波包節(jié)點(diǎn)能量和CEEMDAN分量排列熵四種特征,構(gòu)成單一特征和組合特征作為診斷模型的輸入特征向量.最后利用凱斯西儲(chǔ)大學(xué)滾動(dòng)軸承數(shù)據(jù)進(jìn)行驗(yàn)證,并與網(wǎng)格算法、遺傳算法和多種不同粒子群算法進(jìn)行對(duì)比.試驗(yàn)證明,本改進(jìn)粒子群算法優(yōu)化支持向量機(jī)模型在滾動(dòng)軸承故障診斷中更具優(yōu)勢(shì). 

【文章來(lái)源】：福州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,48(03)北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

故障診斷流程

特別選擇編號(hào)為11的特征集合進(jìn)行滾動(dòng)軸承故障分析, 根據(jù)PCA方法的實(shí)現(xiàn)過(guò)程, 對(duì)500個(gè)樣本的29維特征進(jìn)行主成分分析, 各主成分貢獻(xiàn)占比的帕累托圖如圖4所示.圖4 PCA各主成分貢獻(xiàn)占比的帕累托圖

6種算法分別在10個(gè)基準(zhǔn)測(cè)試函數(shù)上的尋優(yōu)試驗(yàn)結(jié)果收斂圖如圖1所示. 其中橫坐標(biāo)為算法迭代次數(shù)、 縱坐標(biāo)為適應(yīng)度值(測(cè)試函數(shù)最優(yōu)值). 可看出本IPSO性能遠(yuǎn)優(yōu)于基本PSO、 IPSO1、 IPSO2, 在絕大多數(shù)情況下優(yōu)于t_PSO, 略優(yōu)于R_dPSO性能. 基本PSO、 IPSO1和IPSO2三種算法容易陷入局部最優(yōu), 迭代過(guò)程停滯不前, 尋優(yōu)表現(xiàn)很差. t_PSO優(yōu)化算法由于迭代前后期存在大小不同的擾動(dòng), 在測(cè)試函數(shù)Griewank、 Rastrigrin、 Ackley、 Rosenbrock、 Inverted Cosine Wave中, 呈現(xiàn)階段性收斂變化, 對(duì)個(gè)體極值的擾動(dòng)在一定程度上能夠跳出局部最優(yōu), 可以在精度要求不高時(shí)滿足尋找最優(yōu)解要求. 在測(cè)試函數(shù)Sphere、 Schwefel’s 2.22、 Axis parallel Hyperellipsoid、 DE Jong’s 4、 Sum of Different Power中, 本IPSO和R_dPSO以比較快的收斂速度取得最優(yōu)解, 在測(cè)試函數(shù)Griewank、 Rastrigrin、 Ackley中, 能快速收斂到最優(yōu)解, 其中本IPSO需要的迭代次數(shù)更少, 體現(xiàn)其更優(yōu)的搜索性能. 運(yùn)用10個(gè)基準(zhǔn)測(cè)試函數(shù)和對(duì)比5種不同的粒子群算法, 突出本IPSO的收斂速度快、 收斂精度高、 有效避免了局部最優(yōu)且魯棒性更好等優(yōu)點(diǎn), 本改進(jìn)策略有效提高了粒子群優(yōu)化性能.3 建立故障診斷模型

【參考文獻(xiàn)】：
期刊論文
[1]R-dPSO算法及其在ATO控制策略中的應(yīng)用[J]. 胡震,鄒德旋,張旭.  計(jì)算機(jī)工程與應(yīng)用. 2018(24)
[2]擾動(dòng)粒子群優(yōu)化的SDWSN路由算法[J]. 胡敏,汪騰飛,黃宏程.  計(jì)算機(jī)工程與應(yīng)用. 2018(22)
[3]改進(jìn)慣性權(quán)值的粒子群優(yōu)化算法[J]. 南杰瓊,王曉東.  西安工程大學(xué)學(xué)報(bào). 2017(06)
[4]基于小波包近似熵和SVM的圓柱滾子軸承診斷[J]. 李學(xué)軍,何能勝,何寬芳,何雷.  振動(dòng).測(cè)試與診斷. 2015(06)
[5]基于慣性權(quán)重對(duì)數(shù)遞減的粒子群優(yōu)化算法[J]. 戴文智,楊新樂(lè).  計(jì)算機(jī)工程與應(yīng)用. 2015(17)
[6]基于EMD熵特征融合的滾動(dòng)軸承故障診斷方法[J]. 向丹,岑健.  航空動(dòng)力學(xué)報(bào). 2015(05)
[7]基于瞬時(shí)能量熵和SVM的滾動(dòng)軸承故障診斷[J]. 姚亞夫,張星.  電子測(cè)量與儀器學(xué)報(bào). 2013(10)
[8]基于隨機(jī)慣量權(quán)重的快速粒子群優(yōu)化算法[J]. 黃軒,張軍,詹志輝.  計(jì)算機(jī)工程與設(shè)計(jì). 2009(03)

博士論文
[1]基于變分模態(tài)分解與優(yōu)化多核支持向量機(jī)的旋轉(zhuǎn)機(jī)械早期故障診斷方法研究[D]. 呂中亮.重慶大學(xué) 2016

碩士論文
[1]光伏發(fā)電系統(tǒng)的故障診斷與健康監(jiān)測(cè)技術(shù)研究[D]. 王凌霄.浙江大學(xué) 2018
[2]基于粒子群優(yōu)化支持向量機(jī)的異常入侵檢測(cè)研究[D]. 李佳.中南林業(yè)科技大學(xué) 2009



本文編號(hào)：3493465