本文關(guān)鍵詞：基于EEMD和MFFOA-SVM滾動(dòng)軸承故障診斷

  更多相關(guān)文章： 集合經(jīng)驗(yàn)?zāi)B(tài)分解 改進(jìn)果蠅優(yōu)化算法 支持向量機(jī) 滾動(dòng)軸承 故障診斷

【摘要】：針對(duì)滾動(dòng)軸承發(fā)生故障時(shí),振動(dòng)信號(hào)的時(shí)域和頻域特征都會(huì)發(fā)生變化的特點(diǎn),提出了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)、改進(jìn)果蠅優(yōu)化算法(MFFOA)和支持向量機(jī)(SVM)的滾動(dòng)軸承故障診斷方法。該方法主要是利用EEMD方法對(duì)故障信號(hào)進(jìn)行分解,并計(jì)算各IMF分量的均方根值和重心頻率,以此進(jìn)行歸一化處理得到特征向量。為了提高診斷精度,采用果蠅優(yōu)化算法優(yōu)化SVM參數(shù),建立MFFOA-SVM模型,然后對(duì)提取的特征向量進(jìn)行訓(xùn)練與測(cè)試,從而識(shí)別故障與否及發(fā)生點(diǎn)蝕故障的程度。利用該方法對(duì)實(shí)測(cè)信號(hào)進(jìn)行分析與診斷,并與遺傳算法的優(yōu)化結(jié)果進(jìn)行對(duì)比,驗(yàn)證了該方法的有效性,說明其具有良好的應(yīng)用前景。
【作者單位】： 華北電力大學(xué);
【關(guān)鍵詞】： 集合經(jīng)驗(yàn)?zāi)B(tài)分解 改進(jìn)果蠅優(yōu)化算法 支持向量機(jī) 滾動(dòng)軸承 故障診斷
【基金】：中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2014XS25,2014MS17)
【分類號(hào)】：TH133.33
【正文快照】： 0引言滾動(dòng)軸承是各種旋轉(zhuǎn)機(jī)械中應(yīng)用最廣泛的一種通用部件,也是最容易損壞的部件之一,其運(yùn)行狀態(tài)往往直接影響整臺(tái)機(jī)器的性能,一旦滾動(dòng)軸承出現(xiàn)故障就會(huì)造成巨大的經(jīng)濟(jì)損失,因此必須對(duì)其進(jìn)行監(jiān)測(cè)和診斷[1]。對(duì)于傳統(tǒng)的故障診斷方法,通過時(shí)域或頻域分析對(duì)滾動(dòng)軸承工作狀態(tài)進(jìn)行，

本文編號(hào)：868430