基于多目标和声搜索优化SVM的伺服电机滚动轴承性能退化评估

发布时间：2021-03-21 02:05

　　针对传统的支持向量机（SVM）算法参数往往根据经验设定,难以建立最优模型以准确地检测出伺服电机滚动轴承早期故障的问题,研究一种基于多目标和声搜索优化SVM的伺服电机滚动轴承性能退化评估方法。首先提取轴承振动信号的时域、时频域特征作为原始特征集,采用堆叠稀疏自编码器对原始特征集进行更深层次的特征提取,得到最终的特征向量。之后以轴承退化曲线的趋势性和单调性作为适应度函数,采用多目标和声搜索算法对SVM的参数进行优化,建立最优评估模型,得到轴承的性能退化指标。实验结果表明:该方法能准确地检测出轴承的早期故障,相比于传统的轴承SVM性能退化评估方法具备更好的趋势性和单调性。 

【文章来源】：机床与液压. 2020,48(16)北大核心

【文章页数】：6 页

【部分图文】：

堆叠稀疏自编码器示意

MOHS-SVM算法流程

图3为轴承性能退化的评估流程。首先,对滚动轴承全生命周期的振动加速度信号按第1.1节的方法进行初步的时域、时频域的特征提取以构成轴承全生命周期数据的原始特征集;之后将原始特征集数据归一化后输入SSAE,无监督地逐层训练SSAE,对原始特征集进行更深层次的特征提取,得到最终的特征向量;然后将轴承早期无故障特征向量作为训练样本训练单值分类SVM模型,并以评估结果DI曲线的corr、mon作为目标函数,利用MOHS对SVM模型的参数C和参数σ进行优化,得到最佳的SVM模型;最后将轴承全生命周期的特征向量输入到该SVM模型,以待测样本偏离目标样本的距离D作为性能退化指标DI。

【参考文献】：
期刊论文
[1]基于果蝇优化算法-小波支持向量数据描述的滚动轴承性能退化评估[J]. 朱朔,白瑞林,刘秦川.  中国机械工程. 2018(05)
[2]基于EMD和逻辑回归的轴承性能退化评估[J]. 周建民,黎慧,张龙,李鹏.  机械设计与研究. 2016(05)



本文编号：3092106