基于ESMD熵融合与PSO-SVM的电机轴承故障诊断

• 作者: 井超 刘涛 宿文才 张树团
• 来源期刊: 大电机技术
• 关键词: 极点对称模态分解(ESMD) 熵融合 支持向量机(SVM) 故障诊断
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 电机部分
• 页码范围: 24-28
• 页数: 5页
• 分类号: TM307
• 语种: 中文
• DOI: 10.3969/j.issn.1000-3983.2019.05.005

摘要

为提高电机轴承故障诊断的准确性,提出了一种基于极点对称模态分解算法(Extreme-point Symmetric Mode Decomposition,ESMD)熵融合与粒子群算法(PSO)优化支持向量机(SVM)的诊断方法.首先采用ESMD将故障数据分解获得数个固有模态分量(Intrinsic Mode Function,IMF),根据相关性筛选IMF并计算其多种特征熵;采用核主成分分析(KPCA)用于融合特征熵,增大区分度;利用PSO寻优SVM参数,提高故障识别率.最后通过试验分析表明,该方法可有效提取电机轴承故障特征并精确判别出故障类型,与其它方法相比识别率较高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘涛		54	200	7.0	11.0
2	张树团		64	255	9.0	12.0
3	宿文才		6	2	1.0	1.0