小波包和GA-SVM在轴承故障诊断中的应用

被引：11

作者：

蒋恩超

傅攀

张思聪

机构：

[1] 西南交通大学机械工程院

来源：

计算机测量与控制 | 2017年 / 25卷 / 10期

关键词：

滚动轴承; 模式识别; GA-SVM; 参数优化;

D O I：

暂无

中图分类号：

TH133.3 [轴承]; TP18 [人工智能理论];

学科分类号：

082805 [农业机械化与装备工程]; 140502 [人工智能];

摘要：

为了解决傅里叶变换难以兼顾信号在时域和频域中的全貌和局部化特征以及支持向量机惩罚参数c和核函数参数g选取的问题,提出了基于小波包和GA-SVM的轴承故障诊断方法;首先通过实验采集多种工况下故障轴承和正常轴承的振动信号,从振动信号中提取能够表征轴承运行状态的时频域特征以及基于小波包分析的特征向量来作为GA-SVM的输入,然后在SVM的基础上,针对SVM的惩罚参数和核函数参数在不同应用场景下的取值难以确定的特性,采用了遗传算法对支持向量机进行参数优化的GA-SVM算法进行模式识别;实验结果显示,基于小波包和GA-SVM的轴承故障诊断方法比SVM和BP都具有更高的识别精度。

引用

页码：7 / 10

页数：4

共 13 条

[1]

滚动轴承质量检验.[M].盛国裕主编;.中国计量出版社.2005,

[2]

支持向量机导论.[M].(英)NelloCristianini;(英)JohnShawe-Taylor著;李国正等译;.电子工业出版社.2004,

[3]

现代信号处理.[M].张贤达著;.清华大学出版社.2002,

[4]

A novel bearing fault diagnosis model integrated permutation entropy; ensemble empirical mode decomposition and optimized SVM.[J].Xiaoyuan Zhang;Yitao Liang;Jianzhong Zhou;Yi zang.Measurement.2015,

[5]

基于ITD复杂度和PSO-SVM的滚动轴承故障诊断 [J].