基于GMDH与SVM的信号缺失情景下轴承故障诊断

发布时间：2022-10-11 15:09

　　针对在轴承故障数据采集过程中,由于外界干扰导致部分信号缺失的问题,提出一种基于数据分组处理算法（GMDH）与经粒子群优化的支持向量机（PSO-SVM）算法相结合的轴承故障诊断方法。首先,利用GMDH算法搭建时间序列预测模型,预测出并弥补上缺失的数据并与采集信号整合;其次,经过PSO-SVM模型对完整的数据集进行故障类型诊断;最后,实验采用了凯斯西储大学轴承故障振动数据,并与SVM、PSO-SVM等算法进行比较,验证了在信号缺失情景下,GMDH-SVM混合诊断方法的有效性。 

【文章页数】：4 页

【文章目录】：
0 引言
1 相关理论与模型
    1.1 GMDH神经网络
    1.2 PSO-SVM模型
    1.3 基于GMDH时间序列预测与PSO-SVM的 模型搭建
2 轴承故障诊断实验
    2.1 实验原始数据与缺失数据预测
    2.2 故障诊断实验
3 结论


【参考文献】：
期刊论文
[1]基于AFSA-SVM的滚动轴承故障诊断研究[J]. 姬盛飞,王丽君,吉南阳.  组合机床与自动化加工技术. 2019(01)
[2]基于SPWVD时频图纹理特征的滚动轴承故障诊断[J]. 王亚萍,许迪,葛江华,孙永国,隋秀凛.  振动.测试与诊断. 2017(01)
[3]基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法[J]. 孟宗,胡猛,谷伟明,赵东方.  中国机械工程. 2016(04)
[4]基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断[J]. 吴小涛,杨锰,袁晓辉,龚廷恺.  振动与冲击. 2015(02)
[5]自适应最大相关峭度解卷积方法及其在轴承早期故障诊断中的应用[J]. 唐贵基,王晓龙.  中国电机工程学报. 2015(06)
[6]自适应Morlet小波降噪方法及在轴承故障特征提取中的应用[J]. 蒋永华,汤宝平,董绍江.  仪器仪表学报. 2010(12)



本文编号：3690796