針對滾動(dòng)軸承常見故障,提出利用網(wǎng)格搜索（GS）優(yōu)化序列最小支持向量機(jī)（SM-SVM）的故障診斷方法。首先,對提取的滾動(dòng)軸承振動(dòng)信號進(jìn)行預(yù)處理,并對其分別提取峭度指標(biāo)、偏度系數(shù)、方均根值等時(shí)域統(tǒng)計(jì)量和小波包分解節(jié)點(diǎn)能量等特征,并對特征向量進(jìn)行歸一化和PCA降維處理。其次,利用GS算法對SM-SVM的核函數(shù)參數(shù)和懲罰因子進(jìn)行優(yōu)化,以提高滾動(dòng)軸承故障模式識別的正確率。最后,利用MATLAB LIBSVM工具箱對滾動(dòng)軸承不同故障進(jìn)行模式識別,并將本方法與SM-SVM和LS-SVM方法進(jìn)行了比較。結(jié)果發(fā)現(xiàn),改進(jìn)方法的模式識別正確率比原方法的高出5%。 

【文章來源】：機(jī)械設(shè)計(jì)與制造. 2020年06期 第16-19頁 北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

GS優(yōu)化SM-SVM的模式識別模型

從現(xiàn)場采集的振動(dòng)信號均含有環(huán)境噪聲和干擾項(xiàng)，為提高信噪比，對原始信號進(jìn)行預(yù)處理。五點(diǎn)三次平滑法可去除信號的高頻噪聲干擾，使得信號曲線變得光滑且信噪比提高；最小二乘法可去除信號中的趨勢項(xiàng)以減弱信號的失真。采用上述方法對振動(dòng)信號進(jìn)行預(yù)處理，滾動(dòng)軸承正常狀態(tài)的原始和預(yù)處理振動(dòng)信號，如圖2所示。4.3 特征提取

僅時(shí)域特征不足以反映滾動(dòng)軸承故障的真實(shí)特性，還需要結(jié)合時(shí)頻域特征。當(dāng)滾動(dòng)軸承出現(xiàn)不同故障時(shí)，其振動(dòng)信號的小波包分解節(jié)點(diǎn)能量分布不同，利用該特征能夠?qū)收线M(jìn)行識別分類。振動(dòng)信號小波包分解節(jié)點(diǎn)能量提取流程，如圖3所示。圖中：S3j—信號小波包分解樹第三層節(jié)點(diǎn)的重構(gòu)信號，j={0、1、2、…、7}；Ej—S3j對應(yīng)的能量，E=[E0，…，E7]/E*,E*—重構(gòu)信號S的總能量；E—信號小波包分解節(jié)點(diǎn)能量向量；db3小波基適合振動(dòng)信號特征的提取。


本文編號：2906328