振动、测试与诊断
振動、測試與診斷
진동、측시여진단
JOURNAL OF VIBRATION, MEASUREMENT & DIAGNOSIS
2015年
2期
238-244
,共7页
熊庆%张卫华%陆天炜%梅桂明%李夫忠
熊慶%張衛華%陸天煒%梅桂明%李伕忠
웅경%장위화%륙천위%매계명%리부충
滚动轴承%故障诊断%α稳定分布%粒子群优化算法%最小二乘支持向量机
滾動軸承%故障診斷%α穩定分佈%粒子群優化算法%最小二乘支持嚮量機
곤동축승%고장진단%α은정분포%입자군우화산법%최소이승지지향량궤
@@
针对滚动轴承故障损伤程度难以确定的问题,提出对滚动轴承不同故障位置、不同损伤程度的振动信号进行故障特征提取及智能分类的故障诊断方法.首先,对各状态振动信号进行α稳定分布四参数估计,选取敏感性及稳定性最好的二种参数组成二维故障特征量;然后,输入到经过粒子群优化算法(particle swarm optimization,简称PSO)进行参数优化后的最小二乘支持矢量机(least squares support vectors machine,简称LSSVM)中进行故障诊断;最后,通过台架试验数据验证了该方法的有效性,并与未经过PSO参数优化的LSSVM、支持向量机(support vectors machine,简称SVM)方法的诊断结果进行比较.结果表明:该方法可实现滚动轴承故障位置及损伤程度的智能诊断,比未经PSO参数优化的LSSVM、SVM方法具有更优的泛化性,更短的训练、测试时间,可应用于实际工程.
針對滾動軸承故障損傷程度難以確定的問題,提齣對滾動軸承不同故障位置、不同損傷程度的振動信號進行故障特徵提取及智能分類的故障診斷方法.首先,對各狀態振動信號進行α穩定分佈四參數估計,選取敏感性及穩定性最好的二種參數組成二維故障特徵量;然後,輸入到經過粒子群優化算法(particle swarm optimization,簡稱PSO)進行參數優化後的最小二乘支持矢量機(least squares support vectors machine,簡稱LSSVM)中進行故障診斷;最後,通過檯架試驗數據驗證瞭該方法的有效性,併與未經過PSO參數優化的LSSVM、支持嚮量機(support vectors machine,簡稱SVM)方法的診斷結果進行比較.結果錶明:該方法可實現滾動軸承故障位置及損傷程度的智能診斷,比未經PSO參數優化的LSSVM、SVM方法具有更優的汎化性,更短的訓練、測試時間,可應用于實際工程.
침대곤동축승고장손상정도난이학정적문제,제출대곤동축승불동고장위치、불동손상정도적진동신호진행고장특정제취급지능분류적고장진단방법.수선,대각상태진동신호진행α은정분포사삼수고계,선취민감성급은정성최호적이충삼수조성이유고장특정량;연후,수입도경과입자군우화산법(particle swarm optimization,간칭PSO)진행삼수우화후적최소이승지지시량궤(least squares support vectors machine,간칭LSSVM)중진행고장진단;최후,통과태가시험수거험증료해방법적유효성,병여미경과PSO삼수우화적LSSVM、지지향량궤(support vectors machine,간칭SVM)방법적진단결과진행비교.결과표명:해방법가실현곤동축승고장위치급손상정도적지능진단,비미경PSO삼수우화적LSSVM、SVM방법구유경우적범화성,경단적훈련、측시시간,가응용우실제공정.