仪器仪表学报
儀器儀錶學報
의기의표학보
CHINESE JOURNAL OF SCIENTIFIC INSTRUMENT
2013年
12期
2684-2689
,共6页
蒋永华%程光明%阚君武%宣仲义%马继杰%张忠华
蔣永華%程光明%闞君武%宣仲義%馬繼傑%張忠華
장영화%정광명%감군무%선중의%마계걸%장충화
故障诊断%小生境遗传算法(NGA)%支持向量机(SVM)%Shannon能量熵
故障診斷%小生境遺傳算法(NGA)%支持嚮量機(SVM)%Shannon能量熵
고장진단%소생경유전산법(NGA)%지지향량궤(SVM)%Shannon능량적
fault diagnosis%niche genetic algorithm (NGA)%support vector machine (SVM)%Shannon entropy
支持向量机(SVM)的分类性能受样本的特征以及SVM本身参数的选择影响较大.针对这种情况,基于Shannon能量熵、SVM和小生境遗传算法(NGA),提出了一种基于NGA优化SVM的滚动轴承故障诊断方法.该方法采用容错性强的Shan-non能量熵作为特征参数,对信号进行EMD分解提取出前3个IMF分量作为特征信号,分别计算其Shannon能量熵作为特征向量得到样本集,作为多类别SVM的输入.在用样本训练SVM时,构造一种新的核函数,并采用NGA对SVM的核函数参数进行全局优化,使SVM获得最佳的分类性能,提高其分类识别的正确率.最后采用凯斯西储大学的滚动轴承故障样本进行了分类识别,并与其他几种方法进行了对比,结果表明该方法具有更好的可靠性和分类准确率.
支持嚮量機(SVM)的分類性能受樣本的特徵以及SVM本身參數的選擇影響較大.針對這種情況,基于Shannon能量熵、SVM和小生境遺傳算法(NGA),提齣瞭一種基于NGA優化SVM的滾動軸承故障診斷方法.該方法採用容錯性彊的Shan-non能量熵作為特徵參數,對信號進行EMD分解提取齣前3箇IMF分量作為特徵信號,分彆計算其Shannon能量熵作為特徵嚮量得到樣本集,作為多類彆SVM的輸入.在用樣本訓練SVM時,構造一種新的覈函數,併採用NGA對SVM的覈函數參數進行全跼優化,使SVM穫得最佳的分類性能,提高其分類識彆的正確率.最後採用凱斯西儲大學的滾動軸承故障樣本進行瞭分類識彆,併與其他幾種方法進行瞭對比,結果錶明該方法具有更好的可靠性和分類準確率.
지지향량궤(SVM)적분류성능수양본적특정이급SVM본신삼수적선택영향교대.침대저충정황,기우Shannon능량적、SVM화소생경유전산법(NGA),제출료일충기우NGA우화SVM적곤동축승고장진단방법.해방법채용용착성강적Shan-non능량적작위특정삼수,대신호진행EMD분해제취출전3개IMF분량작위특정신호,분별계산기Shannon능량적작위특정향량득도양본집,작위다유별SVM적수입.재용양본훈련SVM시,구조일충신적핵함수,병채용NGA대SVM적핵함수삼수진행전국우화,사SVM획득최가적분류성능,제고기분류식별적정학솔.최후채용개사서저대학적곤동축승고장양본진행료분류식별,병여기타궤충방법진행료대비,결과표명해방법구유경호적가고성화분류준학솔.
