EEMD＿H与ITLBO＿SVM相结合的滚动轴承故障诊断方法

发布时间：2021-04-30 10:34

　　针对滚动轴承数据信号不稳定、非线性的特性,提出一种采用集合经验模态分解（EEMD）、希尔伯特（Hilbert）变换实现特征提取,改进教与学算法（ITLBO）优化支持向量机（SVM）参数的滚动轴承故障诊断方法。首先通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获得模态函数的瞬时频率;对模态函数和其瞬时频率进行统计特征提取并实现特征变量降维,提高诊断效率;最后利用ITLBO算法优化SVM参数,构造ITLBO_SVM诊断模型进行多分类故障诊断。实例证明,信号经过EEMD分解和Hilbert变换再提取特征信息,代入ITLBO_SVM的优化模型比传统的粒子群算法优化模型的正确率更高,效果更稳定,验证了该方法的可行性与有效性。 

【文章来源】：机械设计与制造. 2020,(06)北大核心

【文章页数】：5 页

【参考文献】：
期刊论文
[1]基于改进的教与学算法的线性自抗扰在负荷频率控制中的应用[J]. 张强,孙建平,武昊.  仪器仪表用户. 2017(06)
[2]基于EEMD和MFFOA-SVM滚动轴承故障诊断[J]. 何青,褚东亮,毛新华.  中国机械工程. 2016(09)
[3]粒子群优化支持向量机的室内无线定位方法[J]. 赵宇,孙挺.  计算机工程与应用. 2014(19)
[4]基于核主成分分析的数据流降维研究[J]. 高宏宾,侯杰,李瑞光.  计算机工程与应用. 2013(11)
[5]基于经验模态分解和支持向量机的短期风电功率组合预测模型[J]. 叶林,刘鹏.  中国电机工程学报. 2011(31)
[6]支持向量机理论与算法研究综述[J]. 丁世飞,齐丙娟,谭红艳.  电子科技大学学报. 2011(01)



本文编号：3169368