基于MSE与PSO-SVM的机车轮对轴承智能诊断方法

• 作者: 张龙 彭小明 熊国良 王良 黄婧 胡俊锋
• 来源期刊: 铁道科学与工程学报
• 关键词: 轮对轴承 多尺度熵 支持向量机 粒子群 故障诊断
• 年，卷（期）: 2021,（9）
• 所属期刊栏目: 智能制造与装备|Intelligent Manufacturing and Equipment
• 页码范围: 2408-2417
• 页数: 10页
• 分类号: TH165+.3
• 语种: 中文
• DOI: 10.19713/j.cnki.43-1423/u.T20201027

摘要

针对DF4型内燃机车轮对轴承单一和复合故障在内的7种不同健康状态的识别问题,提出了一种基于多尺度熵(Multiscale Entropy,MSE)和粒子群优化支持向量机(PSO-SVM)的机车轮对轴承故障识别方法.计算轴承不同健康状态下振动信号在多个尺度上的样本熵构成MSE特征向量,利用PSO-SVM识别轴承所属故障类型及故障程度.收集了DF4型内燃机车包含单一和复合故障在内的7种不同健康状态的轮对轴承试件,在南昌机务段的JL-501机车轴承检测台上采集了各轴承试件的振动信号样本.实验数据分析结果表明,MSE的特征提取效果优于多尺度近似熵(Multiscale Approximate Entropy,MAE)和小波包分解,PSO-SVM的故障识别效果优于参数不经优化的SVM和参数网格寻优法的Grid-SVM.本文方法能够有效诊断机车轮对轴承的不同故障,为提高机务段检测机车轮对轴承故障的精度提供了一种有效的方法.