基于EEMD和CS-SVM的滚动轴承故障诊断研究

发布时间：2022-10-06 19:53

　　针对数据驱动的滚动轴承故障诊断大多采用支持向量机进行分类,而传统支持向量机的分类方法容易陷入局部最优,无法准确进行故障诊断的问题,对滚动轴承振动信号的特征选择和支持向量机的优化方法进行了研究。分析了粒子群算法优化支持向量机和遗传算法优化支持向量机的不足;基于莱维飞行的布谷鸟搜索算法,引入了一种对支持向量机的参数进行寻优的方法,用于提高滚动轴承故障诊断的识别准确率;该方法首先使用集合经验模态分解对信号数据进行了处理,然后计算本征模态函数的均方根作为特征向量,输入布谷鸟搜索算法优化的支持向量机;最后进行了训练和测试。研究结果表明:利用该方法对实测信号进行分析和诊断,可以准确地识别故障发生的位置以及严重程度;通过与传统优化方法进行对比,验证了该算法的优越性。 

【文章页数】：6 页

【文章目录】：
0 引言
1 故障信号处理及特征提取
    1.1 集合经验模态分解
    1.2 特征提取
2 故障特征分类
    2.1 支持向量机
    2.2 布谷鸟搜索算法
        2.2.1 Levy飞行
        2.2.2 布谷鸟搜索
    2.3 布谷鸟搜索支持向量机 (CS-SVM)
3 实验及结果分析
    3.1 实验准备
    3.2 实验结果
4 结束语


【参考文献】：
期刊论文
[1]SVM与PSO相结合的电机轴承故障诊断[J]. 李嫄源,袁梅,王瑶,程安宇.  重庆大学学报. 2018(01)
[2]小波包和GA-SVM在轴承故障诊断中的应用[J]. 蒋恩超,傅攀,张思聪.  计算机测量与控制. 2017(10)
[3]基于模糊神经网络的智能故障诊断专家系统[J]. 司景萍,马继昌,牛家骅,王二毛.  振动与冲击. 2017(04)
[4]基于EEMD和PSO-SVM的滚动轴承故障诊断[J]. 陈园艺,孙建平.  电力科学与工程. 2016(10)
[5]基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法研究[J]. 秦波,刘永亮,王建国,李文卿.  机械设计与制造. 2016(06)
[6]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)
[7]振动信号处理方法综述[J]. 李舜酩,郭海东,李殿荣.  仪器仪表学报. 2013(08)
[8]基于BP神经网络的光伏组件在线故障诊断[J]. 王元章,李智华,吴春华,周笛青,付立.  电网技术. 2013(08)
[9]支持向量机在多类分类问题中的推广[J]. 刘志刚,李德仁,秦前清,史文中.  计算机工程与应用. 2004(07)

硕士论文
[1]基于振动信号处理的旋转机械故障诊断[D]. 刘冬.上海交通大学 2010



本文编号：3687302