本文關(guān)鍵詞：基于EEMD和MFFOA-SVM滾動軸承故障診斷

  更多相關(guān)文章： 集合經(jīng)驗模態(tài)分解 改進果蠅優(yōu)化算法 支持向量機 滾動軸承 故障診斷

【摘要】：針對滾動軸承發(fā)生故障時,振動信號的時域和頻域特征都會發(fā)生變化的特點,提出了基于集合經(jīng)驗模態(tài)分解(EEMD)、改進果蠅優(yōu)化算法(MFFOA)和支持向量機(SVM)的滾動軸承故障診斷方法。該方法主要是利用EEMD方法對故障信號進行分解,并計算各IMF分量的均方根值和重心頻率,以此進行歸一化處理得到特征向量。為了提高診斷精度,采用果蠅優(yōu)化算法優(yōu)化SVM參數(shù),建立MFFOA-SVM模型,然后對提取的特征向量進行訓練與測試,從而識別故障與否及發(fā)生點蝕故障的程度。利用該方法對實測信號進行分析與診斷,并與遺傳算法的優(yōu)化結(jié)果進行對比,驗證了該方法的有效性,說明其具有良好的應用前景。
【作者單位】： 華北電力大學;
【關(guān)鍵詞】： 集合經(jīng)驗模態(tài)分解 改進果蠅優(yōu)化算法 支持向量機 滾動軸承 故障診斷
【基金】：中央高校基本科研業(yè)務費專項資金資助項目(2014XS25,2014MS17)
【分類號】：TH133.33
【正文快照】： 0引言滾動軸承是各種旋轉(zhuǎn)機械中應用最廣泛的一種通用部件,也是最容易損壞的部件之一,其運行狀態(tài)往往直接影響整臺機器的性能,一旦滾動軸承出現(xiàn)故障就會造成巨大的經(jīng)濟損失,因此必須對其進行監(jiān)測和診斷[1]。對于傳統(tǒng)的故障診斷方法,通過時域或頻域分析對滾動軸承工作狀態(tài)進行，

本文編號：868430