基于EEMD和MFFOA-SVM滚动轴承故障诊断

发布时间：2017-09-17 08:39

  本文关键词：基于EEMD和MFFOA-SVM滚动轴承故障诊断

  更多相关文章： 集合经验模态分解 改进果蝇优化算法 支持向量机 滚动轴承 故障诊断

【摘要】：针对滚动轴承发生故障时,振动信号的时域和频域特征都会发生变化的特点,提出了基于集合经验模态分解(EEMD)、改进果蝇优化算法(MFFOA)和支持向量机(SVM)的滚动轴承故障诊断方法。该方法主要是利用EEMD方法对故障信号进行分解,并计算各IMF分量的均方根值和重心频率,以此进行归一化处理得到特征向量。为了提高诊断精度,采用果蝇优化算法优化SVM参数,建立MFFOA-SVM模型,然后对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。利用该方法对实测信号进行分析与诊断,并与遗传算法的优化结果进行对比,验证了该方法的有效性,说明其具有良好的应用前景。
【作者单位】： 华北电力大学;
【关键词】： 集合经验模态分解 改进果蝇优化算法 支持向量机 滚动轴承 故障诊断
【基金】：中央高校基本科研业务费专项资金资助项目(2014XS25,2014MS17)
【分类号】：TH133.33
【正文快照】： 0引言滚动轴承是各种旋转机械中应用最广泛的一种通用部件,也是最容易损坏的部件之一,其运行状态往往直接影响整台机器的性能,一旦滚动轴承出现故障就会造成巨大的经济损失,因此必须对其进行监测和诊断[1]。对于传统的故障诊断方法,通过时域或频域分析对滚动轴承工作状态进行，

本文编号：868430