基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
针对电机轴承故障问题,提出一种基于支持向量机(SVM,support vector machine)与粒子群优化(PSO,particle swarm optimization)相结合的电机轴承故障诊断方法.结合振动信号的时域与小波包能量特征,使表征振动信号的特征具有较好的可靠性和敏感性,提高了故障的诊断准确率.采用PSO算法对SVM的惩罚参数和径向基核函数参数进行寻优,并与其它参数寻优算法进行比较分析.实验表明,研究提出的轴承故障诊断方法不仅对电机轴承的外圈故障、内圈故障和滚珠故障有很好的识别效果,而且还对每一类故障的严重程度有较好的区分,具有较强的实用性.
推荐文章
基于ESMD熵融合与PSO-SVM的电机轴承故障诊断
极点对称模态分解(ESMD)
熵融合
支持向量机(SVM)
故障诊断
基于小波包分析的高速牵引电机轴承故障诊断研究
牵引电机轴承
故障诊断
小波分析
虚拟仪器
基于LMD多尺度熵与SVM的往复压缩机轴承故障诊断方法
往复压缩机
LMD
多尺度熵
轴承
故障诊断
基于QPSO-SVM的轴承故障诊断方法
量子粒子群
支持向量机
参数优化
故障诊断
EMD分解
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 SVM与PSO相结合的电机轴承故障诊断
来源期刊 重庆大学学报 学科 工学
关键词 支持向量机 粒子群优化算法 小波包分析 特征提取 电机轴承 故障诊断
年,卷(期) 2018,(1) 所属期刊栏目
研究方向 页码范围 99-107
页数 9页 分类号 TH165+.3
字数 语种 中文
DOI 10.11835/j.issn.1000-582X.2018.01.011
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 李嫄源 重庆邮电大学自动化学院 13 79 5.0 8.0
2 程安宇 重庆邮电大学自动化学院 29 183 8.0 11.0
3 袁梅 重庆邮电大学自动化学院 4 18 1.0 4.0
4 王瑶 重庆邮电大学自动化学院 1 18 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (42)
共引文献  (72)
参考文献  (9)
节点文献
引证文献  (18)
同被引文献  (77)
二级引证文献  (24)
2002(1)
  • 参考文献(0)
  • 二级参考文献(1)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(2)
  • 参考文献(0)
  • 二级参考文献(2)
2006(6)
  • 参考文献(0)
  • 二级参考文献(6)
2007(7)
  • 参考文献(0)
  • 二级参考文献(7)
2008(2)
  • 参考文献(1)
  • 二级参考文献(1)
2009(5)
  • 参考文献(0)
  • 二级参考文献(5)
2010(8)
  • 参考文献(0)
  • 二级参考文献(8)
2011(6)
  • 参考文献(1)
  • 二级参考文献(5)
2012(2)
  • 参考文献(1)
  • 二级参考文献(1)
2013(3)
  • 参考文献(2)
  • 二级参考文献(1)
2014(2)
  • 参考文献(1)
  • 二级参考文献(1)
2015(5)
  • 参考文献(2)
  • 二级参考文献(3)
2016(1)
  • 参考文献(1)
  • 二级参考文献(0)
2018(1)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(1)
  • 二级引证文献(0)
2018(1)
  • 引证文献(1)
  • 二级引证文献(0)
2019(24)
  • 引证文献(13)
  • 二级引证文献(11)
2020(17)
  • 引证文献(4)
  • 二级引证文献(13)
研究主题发展历程
节点文献
支持向量机
粒子群优化算法
小波包分析
特征提取
电机轴承
故障诊断
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
重庆大学学报
月刊
1000-582X
50-1044/N
大16开
重庆市沙坪坝正街174号
78-16
1960
chi
出版文献量(篇)
6349
总下载数(次)
8
总被引数(次)
85737
论文1v1指导