本文關鍵詞：基于EEMD和PSO-SVM的滾動軸承故障診斷　出處：《電力科學與工程》2016年10期 　論文類型：期刊論文

  更多相關文章： 滾動軸承 集成經驗模態(tài)分解 粒子群算法 支持向量機 內稟模態(tài)函數

【摘要】：為實現滾動軸承故障的精確診斷,提出一種基于集成經驗模態(tài)分解與粒子群算法優(yōu)化的支持向量機的故障診斷方法。利用EEMD方法分解振動信號,依據經驗選取合適的內稟模態(tài)函數進行能量值及包絡譜特征幅值比等故障特征參量的計算,構建滾動軸承故障特征向量,然后基于少量不同故障部位及故障程度的樣本,利用粒子群算法對支持向量機進行參數優(yōu)化,進而訓練樣本并建立故障模型,最后對測試樣本進行故障診斷,觀察該方法的診斷效果。實驗表明,該方法可對多種不同故障狀態(tài)進行診斷,且分類精度高,證明了振動分析與智能算法結合的方法可有效實現滾動軸承的故障診斷。
[Abstract]:In order to accurately diagnose the rolling bearing fault, a fault diagnosis method of support vector machine based on integrated empirical mode decomposition and particle swarm optimization is proposed. The vibration signal is decomposed by EEMD method. According to the experience, the proper intrinsic mode function is selected to calculate the fault characteristic parameters such as the energy value and the amplitude ratio of the envelope spectrum, and the fault eigenvector of the rolling bearing is constructed. Then based on a small number of samples with different fault locations and degrees of fault, the support vector machine parameters are optimized by particle swarm optimization algorithm, and then the samples are trained and fault models are established. Finally, the fault diagnosis of test samples is carried out. The experimental results show that the method can be used to diagnose many different fault states, and the classification accuracy is high. It is proved that the combination of vibration analysis and intelligent algorithm can effectively realize the fault diagnosis of rolling bearings.
【作者單位】： 華北電力大學控制與計算機工程學院;
【分類號】：TH133.33
【正文快照】： 0引言滾動軸承是旋轉機械設備中易受損的部件之一,它的壽命隨機性大,失效時產生的振動和噪聲會直接影響到機械設備的正常工作,使機械運行狀態(tài)變差,快速定位軸承故障能縮短維修時間,提高機組的經濟效益。隨著機械設備逐漸向高速化、大型化和自動化方向發(fā)展,對滾動軸承的故障進

【相似文獻】

相關期刊論文 前10條

1 全芙蓉;;粒子群算法的理論分析與研究[J];硅谷;2010年23期

2 吳軍;李為吉;;改進的粒子群算法及在結構優(yōu)化中的應用[J];陜西理工學院學報(自然科學版);2006年04期

3 段海濤;劉永忠;馮霄;;水系統(tǒng)優(yōu)化的粒子群算法分析[J];華北電力大學學報(自然科學版);2007年02期

4 王偉;;混合粒子群算法及其優(yōu)化效率評價[J];中國水運(學術版);2007年06期

5 付宜利;封海波;孫建勛;李榮;馬玉林;;機電產品管路自動敷設的粒子群算法[J];機械工程學報;2007年11期

6 蔣榮華;王厚軍;龍兵;;基于離散粒子群算法的測試選擇[J];電子測量與儀器學報;2008年02期

7 周苗;陳義保;劉加光;;一種新的協(xié)同多目標粒子群算法[J];山東理工大學學報(自然科學版);2008年05期

8 姚峰;楊衛(wèi)東;張明;;改進粒子群算法及其在熱連軋負荷分配中的應用[J];北京科技大學學報;2009年08期

9 張大興;賈建援;張愛梅;郭永獻;;基于粒子群算法的三軸跟瞄裝置跟蹤策略研究[J];儀器儀表學報;2009年09期

10 王麗萍;江波;邱飛岳;;基于決策偏好的多目標粒子群算法及其應用[J];計算機集成制造系統(tǒng);2010年01期

相關會議論文 前10條

1 朱童;李小凡;魯明文;;位置加權的改進粒子群算法[A];中國科學院地質與地球物理研究所第11屆（2011年度）學術年會論文集(上)[C];2012年

2 陳定;何炳發(fā);;一種新的二進制粒子群算法在稀疏陣列綜合中的應用[A];2009年全國天線年會論文集（上）[C];2009年

3 陳龍祥;蔡國平;;基于粒子群算法的時滯動力學系統(tǒng)的時滯辨識[A];第十二屆全國非線性振動暨第九屆全國非線性動力學和運動穩(wěn)定性學術會議論文集[C];2009年

4 于穎;李永生;於孝春;;新型離散粒子群算法在波紋管優(yōu)化設計中的應用[A];第十一屆全國膨脹節(jié)學術會議膨脹節(jié)設計、制造和應用技術論文選集[C];2010年

5 劉卓倩;顧幸生;;一種基于信息熵的改進粒子群算法[A];系統(tǒng)仿真技術及其應用（第7卷）——'2005系統(tǒng)仿真技術及其應用學術交流會論文選編[C];2005年

6 熊偉麗;徐保國;;粒子群算法在支持向量機參數選擇優(yōu)化中的應用研究[A];2007中國控制與決策學術年會論文集[C];2007年

7 方衛(wèi)華;徐蘭玉;陳允平;;改進粒子群算法在大壩力學參數分區(qū)反演中的應用[A];2012年中國水力發(fā)電工程學會大壩安全監(jiān)測專委會年會暨學術交流會論文集[C];2012年

8 熊偉麗;徐保國;;單個粒子收斂中心隨機攝動的粒子群算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

9 馬向陽;陳琦;;以粒子群算法求解買賣雙方存貨主從對策[A];第十二屆中國管理科學學術年會論文集[C];2010年

10 趙磊;;基于粒子群算法求解多目標函數優(yōu)化問題[A];第二十一屆中國（天津）’2007IT、網絡、信息技術、電子、儀器儀表創(chuàng)新學術會議論文集[C];2007年

相關博士學位論文 前10條

1 王芳;粒子群算法的研究[D];西南大學;2006年

2 安鎮(zhèn)宙;家庭粒子群算法及其奇偶性與收斂性分析[D];云南大學;2012年

3 劉建華;粒子群算法的基本理論及其改進研究[D];中南大學;2009年

4 黃平;粒子群算法改進及其在電力系統(tǒng)的應用[D];華南理工大學;2012年

5 胡成玉;面向動態(tài)環(huán)境的粒子群算法研究[D];華中科技大學;2010年

6 張靜;基于混合離散粒子群算法的柔性作業(yè)車間調度問題研究[D];浙江工業(yè)大學;2014年

7 張寶;粒子群算法及其在衛(wèi)星艙布局中的應用研究[D];大連理工大學;2007年

8 劉宏達;粒子群算法的研究及其在船舶工程中的應用[D];哈爾濱工程大學;2008年

9 楊輕云;約束滿足問題與調度問題中離散粒子群算法研究[D];吉林大學;2006年

10 馮琳;改進多目標粒子群算法的研究及其在電弧爐供電曲線優(yōu)化中的應用[D];東北大學;2013年

相關碩士學位論文 前10條

1 張忠偉;結構優(yōu)化中粒子群算法的研究與應用[D];大連理工大學;2009年

2 李強;基于改進粒子群算法的艾薩爐配料優(yōu)化[D];昆明理工大學;2015年

3 付曉艷;基于粒子群算法的自調節(jié)隸屬函數模糊控制器設計[D];河北聯合大學;2014年

4 余漢森;粒子群算法的自適應變異研究[D];南京信息工程大學;2015年

5 梁計鋒;基于改進粒子群算法的交通控制算法研究[D];長安大學;2015年

6 楊偉;基于粒子群算法的氧樂果合成過程建模研究[D];鄭州大學;2015年

7 李程;基于粒子群算法的AS/RS優(yōu)化調度方法研究[D];陜西科技大學;2015年

8 樊偉健;基于混合混沌粒子群算法求解變循環(huán)發(fā)動機數學模型問題[D];山東大學;2015年

9 陳百霞;考慮風電場并網的電力系統(tǒng)無功優(yōu)化[D];山東大學;2015年

10 戴玉倩;基于混合動態(tài)粒子群算法的軟件測試數據自動生成研究[D];江西理工大學;2015年

，

本文編號：1419349