基于Hilbert包络谱奇异值和IPSO-SVM的滚动轴承故障诊断研究

• 作者: 刘永亮 孙国栋 张利强 张超 王建国 秦波
• 来源期刊: 机械传动
• 关键词: EMD IMF 改进粒子群算法 支持向量机 滚动轴承
• 年，卷（期）: 2017,（3）
• 所属期刊栏目: 开发应用
• 页码范围: 166-171
• 页数: 6页
• 语种: 中文
• DOI: 10.16578/j.issn.1004.2539.2017.03.033

摘要

针对表征滚动轴承故障信号特征难提取及支持向量机结构参数依据经验选取,致使故障分类模型的精度、泛化能力差的问题,提出一种基于Hilbert包络谱奇异值和改进粒子群(Improved particle swarm optimization,IPSO)优化支持向量机(Support vector machine,SVM)的滚动轴承状态辨识方法.首先,利用经验模态分解(Empirical mode decomposition,EMD)所采集的滚动轴承信号,并将所获相关程度较大的本征模式分量(Intrinsic mode function,IMF)进行Hilbert解调包络分析来获取包络矩阵,并在此基础上进行奇异值分解.其次,利用IPSO算法优化SVM的惩罚系数和高斯核系数两个结构参数,据此建立滚动轴承故障分类模型;并利用美国凯斯西储大学轴承数据验证了方法的有效性.实验结果表明:与基于BP、SVM的故障分类模型相比,Hilbert包络谱奇异值和IPSO优化SVM的滚动轴承故障诊断分类模型具有更高的精度、更强的泛化能力.