基于优化支持向量机的轴承故障诊断方法研究.pdf

《基于优化支持向量机的轴承故障诊断方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、机械设计与制造第5期1l8MachineryDesign&Manufacture2012年5月文章编号：1001—3997(2012)05一叭18—03基于优化支持向量机的轴承故障诊断方法研究米袁浩东陈宏侯亚丁赵营豪(郑州大学振动工程研究所，郑州450001)ResearchonthefaultdiagnosisofrollingbearingbasedonoptimizedSVMYUANHao-dong，CHENHong，HOUYa—ding，ZHAOYing-hao(ResearchInstituteofVibrationEngineering，ZhengzhouUniversity，Zh

2、engzhou450001，China)【摘要】以滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工况下的振动信号为研究对象，采用小波包变换的方法提取信号的能量熵，构成振动信号的特征向量。在此基础上采用支持向量机进行故障模式识别，建立支持向量机模型需要选择适当的核函数及相关参数，使用径向基核函数，需要设置的参数为核函数的宽度和误差惩罚系数，分别结合传统的网格搜索，遗传算法，粒子群算法优化支持向量机参数以提升分类性能。试验结果表明，采用优化后的支持向量机进行故障诊断可以大大提高诊断精度。关键词：滚动轴承；／b波包变换；支持向量机，I网格搜索：遗传算法；粒子群算法【Abstract】Withvi

3、brationsignalofrollingbearingunderthefourconditionsofnormal，innerringfault，outer如ultandrollerfaultresearchobject，byusingwaveletpackettransformmethodenergyen—tropyofthesignalisextractedtoconstitutethevibrationsignalfeaturevector．Onthebasisfaultpatternrecognitionismadebysupportvectormachine，whichmodel

4、isbuiltbyselectingtheappropriatekernelfunctionandrelatedparameters．WithRBFkernelfunctionandwidthofthekernelfunctionanderrorpenaltycoefficientasparameterstobeset，combinedwithtraditionalgridsearch,geneticalgorithmandpar—ticleswarmalgorithmrespectivelytooptimizetheparametersofSVMtoimproveclassification

5、peformance．Testresuhsshowthat,theoptimizedSVMforfauhdiagnosiscangreatlyimprovetheaccuracyofdiagnosis．Keywords：Rollingbearing；Waveletpackettransform；Supportvectormachine；Gridsearch；Geneticalgorithm；Particleswarmoptimization中图分类号：TH16，TH165．3，TP18文献标识码：A1引言频带范围内的信号特征，还须对第三层小波包分解系数进行重构。2-2小波包能量熵滚动轴承是旋转

6、机械中常见的零部件，在旋转机械的各类故障中，滚动轴承故障占有很大的比例，其运行状态正常与否一熵是描述系统混乱的量，熵越大说明系统越混乱，携带的信般直接影响到整台机器的性能，因此对滚动轴承的故障诊断十分息越少，反之亦然。使用信号的能量熵提取信号的特征。假设{}重要。对滚动轴承在正常、滚动体故障以及内外圈故障四种状态下q-0，1，⋯7，i=0，1，2，⋯^L1)为信号三层小波包分解并重构后的的振动信号进行研究，提取信号各个频带的小波包能量熵作为特征第三层第个频带内的系数，并约定ln(O)=0，则第个频带的小向量。对滚动轴承的故障诊断，常用神经网络进行模式识别_lJ，但波包能量熵为：需大量的故障数据

7、样本且收敛较慢，而支持向量机SVM口】在解决E=EE(s~)21n(s1)(1)小样本数据集及非线性问题上有独特的优势。Ji使用Madab中小波包熵函数Wentropy并选择能量熵类型分别使用传统的网格搜索，遗传算法和粒子群算法优化SVM参数，用优化后的参数和训练样本建立SVM模型，用于测和重构后的第三层小波包各频带系数便可求得八个频带的小波试集的分类预测。结果表明，基于小波包一支持向量机的滚动轴