針對數(shù)據(jù)驅(qū)動的滾動軸承故障診斷大多采用支持向量機進行分類,而傳統(tǒng)支持向量機的分類方法容易陷入局部最優(yōu),無法準確進行故障診斷的問題,對滾動軸承振動信號的特征選擇和支持向量機的優(yōu)化方法進行了研究。分析了粒子群算法優(yōu)化支持向量機和遺傳算法優(yōu)化支持向量機的不足;基于萊維飛行的布谷鳥搜索算法,引入了一種對支持向量機的參數(shù)進行尋優(yōu)的方法,用于提高滾動軸承故障診斷的識別準確率;該方法首先使用集合經(jīng)驗?zāi)B(tài)分解對信號數(shù)據(jù)進行了處理,然后計算本征模態(tài)函數(shù)的均方根作為特征向量,輸入布谷鳥搜索算法優(yōu)化的支持向量機;最后進行了訓(xùn)練和測試。研究結(jié)果表明:利用該方法對實測信號進行分析和診斷,可以準確地識別故障發(fā)生的位置以及嚴重程度;通過與傳統(tǒng)優(yōu)化方法進行對比,驗證了該算法的優(yōu)越性。 

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 故障信號處理及特征提取
    1.1 集合經(jīng)驗?zāi)B(tài)分解
    1.2 特征提取
2 故障特征分類
    2.1 支持向量機
    2.2 布谷鳥搜索算法
        2.2.1 Levy飛行
        2.2.2 布谷鳥搜索
    2.3 布谷鳥搜索支持向量機 (CS-SVM)
3 實驗及結(jié)果分析
    3.1 實驗準備
    3.2 實驗結(jié)果
4 結(jié)束語


【參考文獻】：
期刊論文
[1]SVM與PSO相結(jié)合的電機軸承故障診斷[J]. 李嫄源,袁梅,王瑤,程安宇.  重慶大學(xué)學(xué)報. 2018(01)
[2]小波包和GA-SVM在軸承故障診斷中的應(yīng)用[J]. 蔣恩超,傅攀,張思聰.  計算機測量與控制. 2017(10)
[3]基于模糊神經(jīng)網(wǎng)絡(luò)的智能故障診斷專家系統(tǒng)[J]. 司景萍,馬繼昌,牛家驊,王二毛.  振動與沖擊. 2017(04)
[4]基于EEMD和PSO-SVM的滾動軸承故障診斷[J]. 陳園藝,孫建平.  電力科學(xué)與工程. 2016(10)
[5]基于小波包與奇異值分解的GA-SVM滾動軸承故障診斷方法研究[J]. 秦波,劉永亮,王建國,李文卿.  機械設(shè)計與制造. 2016(06)
[6]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)
[7]振動信號處理方法綜述[J]. 李舜酩,郭海東,李殿榮.  儀器儀表學(xué)報. 2013(08)
[8]基于BP神經(jīng)網(wǎng)絡(luò)的光伏組件在線故障診斷[J]. 王元章,李智華,吳春華,周笛青,付立.  電網(wǎng)技術(shù). 2013(08)
[9]支持向量機在多類分類問題中的推廣[J]. 劉志剛,李德仁,秦前清,史文中.  計算機工程與應(yīng)用. 2004(07)

碩士論文
[1]基于振動信號處理的旋轉(zhuǎn)機械故障診斷[D]. 劉冬.上海交通大學(xué) 2010



本文編號：3687302