基于K-L散度与PSO-SVM的齿轮故障诊断

• 作者: 刘永亮 杨云中 王建国 秦波
• 来源期刊: 现代制造工程
• 学科: 工学
• 关键词: 经验模式分解 K-L散度 粒子群算法 支持向量机 齿轮故障诊断
• 年，卷（期）: 2017,（3）
• 所属期刊栏目: 试验研究
• 页码范围: 24-30
• 页数: 7页
• 分类号: TH165|TG506
• 字数: 4598字
• 语种: 中文
• DOI: 10.16731/j.cnki.1671-3133.2017.03.005

摘要

针对表征齿轮故障信号特征难提取及支持向量机结构参数基于经验选取,致使故障状态识别精度差的问题,提出了一种基于K-L散度与PSO-SVM的齿轮故障诊断方法.首先,用经验模式分解(EMD)将齿轮振动信号筛分为多个本征模式分量(IMF);然后,选取包含有信号主要特征的IMF并求其与无故障原信号的K-L散度值;其次,利用粒子群算法(PSO)优化支持向量机(SVM)的惩罚系数和高斯核宽度系数两个结构参数,在此基础上建立齿轮故障分类模型;并利用实验齿轮数据验证方法的有效性,结果表明,与TF-SVM、TF-PSO-SVM、K-L-SVM方法相比,基于K-L散度与PSO-SVM的齿轮故障诊断方法具有更高的精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王建国	内蒙古科技大学机械工程学院	112	350	8.0	11.0
2	秦波	内蒙古科技大学机械工程学院	46	199	7.0	12.0
3	刘永亮	内蒙古科技大学机械工程学院	10	61	5.0	7.0
4	杨云中	内蒙古科技大学机械工程学院	7	36	4.0	5.0