發(fā)布時間：2022-10-11 15:09

　　針對在軸承故障數(shù)據(jù)采集過程中,由于外界干擾導致部分信號缺失的問題,提出一種基于數(shù)據(jù)分組處理算法（GMDH）與經(jīng)粒子群優(yōu)化的支持向量機（PSO-SVM）算法相結(jié)合的軸承故障診斷方法。首先,利用GMDH算法搭建時間序列預測模型,預測出并彌補上缺失的數(shù)據(jù)并與采集信號整合;其次,經(jīng)過PSO-SVM模型對完整的數(shù)據(jù)集進行故障類型診斷;最后,實驗采用了凱斯西儲大學軸承故障振動數(shù)據(jù),并與SVM、PSO-SVM等算法進行比較,驗證了在信號缺失情景下,GMDH-SVM混合診斷方法的有效性。 

【文章頁數(shù)】：4 頁

【文章目錄】：
0 引言
1 相關(guān)理論與模型
    1.1 GMDH神經(jīng)網(wǎng)絡
    1.2 PSO-SVM模型
    1.3 基于GMDH時間序列預測與PSO-SVM的 模型搭建
2 軸承故障診斷實驗
    2.1 實驗原始數(shù)據(jù)與缺失數(shù)據(jù)預測
    2.2 故障診斷實驗
3 結(jié)論


【參考文獻】：
期刊論文
[1]基于AFSA-SVM的滾動軸承故障診斷研究[J]. 姬盛飛,王麗君,吉南陽.  組合機床與自動化加工技術(shù). 2019(01)
[2]基于SPWVD時頻圖紋理特征的滾動軸承故障診斷[J]. 王亞萍,許迪,葛江華,孫永國,隋秀凜.  振動.測試與診斷. 2017(01)
[3]基于LMD多尺度熵和概率神經(jīng)網(wǎng)絡的滾動軸承故障診斷方法[J]. 孟宗,胡猛,谷偉明,趙東方.  中國機械工程. 2016(04)
[4]基于峭度準則EEMD及改進形態(tài)濾波方法的軸承故障診斷[J]. 吳小濤,楊錳,袁曉輝,龔廷愷.  振動與沖擊. 2015(02)
[5]自適應最大相關(guān)峭度解卷積方法及其在軸承早期故障診斷中的應用[J]. 唐貴基,王曉龍.  中國電機工程學報. 2015(06)
[6]自適應Morlet小波降噪方法及在軸承故障特征提取中的應用[J]. 蔣永華,湯寶平,董紹江.  儀器儀表學報. 2010(12)



本文編號：3690796