Adaboost_SVM集成模型的滚动轴承早期故障诊断

• 作者: 张发军 杨晶晶 程珩 肖文荣 陈法法
• 来源期刊: 机械科学与技术
• 学科: 工学
• 关键词: 集成学习模型 支持向量机 Adaboost 滚动轴承 故障检测
• 年，卷（期）: 2018,（2）
• 所属期刊栏目: 机械动力学
• 页码范围: 237-243
• 页数: 7页
• 分类号: TP319.3|TH132.2
• 字数: 4359字
• 语种: 中文
• DOI: 10.13433/j.cnki.1003-8728.2018.0212

摘要

针对滚动轴承早期故障诊断中故障特征微弱难以有效检测的问题,提出一种基于Adaboost提升支持向量机(Support vector machines,SVM)集成学习模型的滚动轴承早期故障诊断方法.首先以Cincinnati大学实测的滚动轴承全寿命振动数据为基础,采用特征参数跟踪法,建立特征参数的趋势分析,并据此选择用于滚动轴承早期故障诊断的敏感特征参量,然后通过构造Adaboost提升SVM集成学习模型,并将其应用于滚动轴承的早期故障检测中.AdaBoost能够自适应地提升单一SVM的分类性能,相对于传统的单一SVM分类器Adaboost_SVM稳定性最好,早期故障诊断准确率最高.实验结果表明,结合优选的敏感特征参量,Adaboost_SVM能有效地诊断滚动轴承的早期故障模式.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	程珩	太原理工大学机械电子工程研究所	93	978	17.0	27.0
2	张发军	三峡大学水电机械设备设计与维护湖北省重点实验室	45	175	6.0	12.0
3	肖文荣	三峡大学水电机械设备设计与维护湖北省重点实验室	11	25	3.0	5.0
4	杨晶晶	三峡大学水电机械设备设计与维护湖北省重点实验室	11	24	3.0	4.0
5	陈法法	三峡大学水电机械设备设计与维护湖北省重点实验室	28	85	5.0	8.0