您当前的位置： 首页 > 论文 > 2019,50(06) > 矿业工程·机械工程
基金项目:
国家自然科学基金资助项目（50775157,51805355）； 山西省基础研究项目（2012011012-1）；
分类号:
TP181;TH133.33
DOI:
10.16355/j.cnki.issn1007-9432tyut.2019.06.018
期刊号:
2019,50(06)
收稿日期:
修回日期:
| 通讯作者 | 单位 |
| 韩振南 | 太原理工大学机械与运载工程学院 |
摘要:
滚动轴承的振动信号所呈现出的非高斯、非线性等特性,使得其故障类型和故障严重程度难以准确识别,故此提出了一种拉普拉斯分值(laplacian score,LS)与基于鲸鱼算法(whale optimization algorithm,WOA)寻优的支持向量机(support vector machine,SVM)相结合的智能故障诊断方法。首先提取原始振动信号时域、频域、时频域的统计特征,通过利用LS选择较为敏感、更能表征故障状态的特征,形成故障特征向量,然后通过鲸鱼算法来优化SVM的惩罚因子和核参数,构造成分类器模型来进行故障模式识别,判断出滚动轴承的故障类型。通过多种算法对SVM的参数寻优进行对比发现WOA寻优优势明显,同时使用多方面的实验数据验证了该方法在提取滚动轴承故障特征信息方面的有效性,且具有较高的分类识别精度。
关键字:
拉普拉斯分值(LS)； 鲸鱼优化算法(WOA)； 支持向量机(SVM)； 滚动轴承； 故障诊断