針對(duì)滾動(dòng)軸承故障模式識(shí)別問題,分析了振動(dòng)信號(hào)的時(shí)域特征與經(jīng)驗(yàn)?zāi)B(tài)分解剩余信號(hào)的能量特征,并將采集的特征一起構(gòu)成了多域多類別的原始故障特征向量集,同時(shí)采用遺傳算法對(duì)支持向量機(jī)徑向基核函數(shù)參數(shù)和懲罰參數(shù)進(jìn)行了尋優(yōu),提出了結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解剩余信號(hào)能量特征的遺傳算法優(yōu)化支持向量機(jī)參數(shù)的滾動(dòng)軸承故障模式識(shí)別方法。實(shí)驗(yàn)表明,給出的故障模式識(shí)別方法,對(duì)滾動(dòng)軸承的外圈故障、內(nèi)圈故障、滾動(dòng)體故障及正常狀態(tài)有很好的識(shí)別效果,具有較強(qiáng)的實(shí)用性,能夠?yàn)闈L動(dòng)軸承故障的模式識(shí)別和智能診斷提供幫助。 

【文章來源】：燃?xì)鉁u輪試驗(yàn)與研究. 2020,33(03)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

遺傳算法優(yōu)化支持向量機(jī)參數(shù)流程圖

圖1 遺傳算法優(yōu)化支持向量機(jī)參數(shù)流程圖按照上文所述的經(jīng)驗(yàn)?zāi)B(tài)分解剩余信號(hào)能量特征提取方法，將采集的四種類型振動(dòng)數(shù)據(jù)進(jìn)行分解，得到對(duì)應(yīng)的剩余信號(hào)，再代入式(5)得到不同種類故障信號(hào)的EMD剩余信號(hào)能量分布，如圖4所示。

由前文可知，支持向量機(jī)的高斯核函數(shù)參數(shù)σ和C對(duì)分類效果有較大的影響，為此采用遺傳算法對(duì)二者進(jìn)行優(yōu)化。取群體規(guī)模為50，最大迭代次數(shù)為200，σ的取值范圍為0.000 1～100,C的取值范圍為0.1～100；采用交叉驗(yàn)證方式，交叉概率為0.9，變異概率為0.001；終止條件為滿足最大迭代次數(shù)即200時(shí)停止進(jìn)化。故障模式識(shí)別使用Libsvm3.1工具箱完成[18]。經(jīng)計(jì)算，遺傳算法參數(shù)尋優(yōu)的最佳適應(yīng)度達(dá)到99.3%，通過尋優(yōu)做到的σ為0.000 1,C為99。測試的115個(gè)樣本中，分類準(zhǔn)確率達(dá)到97.35%(112/115)，如圖5所示。圖4 同一轉(zhuǎn)速下不同種類故障信號(hào)的EMD剩余信號(hào)能量分布

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)粒子群算法優(yōu)化的支持向量機(jī)在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 呂明珠,蘇曉明,陳長征,劉世勛.  機(jī)械與電子. 2019(01)
[2]蟻群優(yōu)化最小二乘支持向量機(jī)在變壓器故障診斷中的應(yīng)用[J]. 蔣波濤,王錦.  機(jī)電信息. 2018(24)
[3]量子遺傳算法優(yōu)化的SVM滾動(dòng)軸承故障診斷[J]. 許迪,葛江華,王亞萍,衛(wèi)芬,邵俊鵬.  振動(dòng).測試與診斷. 2018(04)
[4]一種軸承故障等級(jí)診斷改進(jìn)方法[J]. 王強(qiáng),劉永葆,謝春玲,劉樹勇,賀星.  海軍工程大學(xué)學(xué)報(bào). 2014(06)
[5]無量綱參數(shù)在礦用低速重載齒輪故障診斷中的應(yīng)用[J]. 郭厚明,行志剛,荊雙喜.  煤炭科學(xué)技術(shù). 2006(08)

博士論文
[1]齒輪箱振動(dòng)特性分析與智能故障診斷方法研究[D]. 何俊.浙江大學(xué) 2018
[2]大型旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)分析與早期故障辨識(shí)方法研究[D]. 黨建.西安理工大學(xué) 2018
[3]滾動(dòng)軸承振動(dòng)信號(hào)特征提取及診斷方法研究[D]. 朱可恒.大連理工大學(xué) 2013
[4]基于獨(dú)立分量分析的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D]. 焦衛(wèi)東.浙江大學(xué) 2003



本文編號(hào)：3528187