利用GS优化SM-SVM的滚动轴承故障诊断方法研究

发布时间：2020-12-09 05:09

　　针对滚动轴承常见故障,提出利用网格搜索（GS）优化序列最小支持向量机（SM-SVM）的故障诊断方法。首先,对提取的滚动轴承振动信号进行预处理,并对其分别提取峭度指标、偏度系数、方均根值等时域统计量和小波包分解节点能量等特征,并对特征向量进行归一化和PCA降维处理。其次,利用GS算法对SM-SVM的核函数参数和惩罚因子进行优化,以提高滚动轴承故障模式识别的正确率。最后,利用MATLAB LIBSVM工具箱对滚动轴承不同故障进行模式识别,并将本方法与SM-SVM和LS-SVM方法进行了比较。结果发现,改进方法的模式识别正确率比原方法的高出5%。 

【文章来源】：机械设计与制造. 2020年06期 第16-19页 北大核心

【文章页数】：4 页

【部分图文】：

GS优化SM-SVM的模式识别模型

从现场采集的振动信号均含有环境噪声和干扰项，为提高信噪比，对原始信号进行预处理。五点三次平滑法可去除信号的高频噪声干扰，使得信号曲线变得光滑且信噪比提高；最小二乘法可去除信号中的趋势项以减弱信号的失真。采用上述方法对振动信号进行预处理，滚动轴承正常状态的原始和预处理振动信号，如图2所示。4.3 特征提取

仅时域特征不足以反映滚动轴承故障的真实特性，还需要结合时频域特征。当滚动轴承出现不同故障时，其振动信号的小波包分解节点能量分布不同，利用该特征能够对故障进行识别分类。振动信号小波包分解节点能量提取流程，如图3所示。图中：S3j—信号小波包分解树第三层节点的重构信号，j={0、1、2、…、7}；Ej—S3j对应的能量，E=[E0，…，E7]/E*,E*—重构信号S的总能量；E—信号小波包分解节点能量向量；db3小波基适合振动信号特征的提取。


本文编号：2906328