EEMD-GSSA-SVM滚动轴承故障诊断方法研究

• 作者: 宋立业 孙琳
• 来源期刊: 传感器与微系统
• 学科: 工学
• 关键词: 故障诊断 集合经验模态分解 全局麻雀搜索算法 支持向量机
• 年，卷（期）: 2022,（4）
• 所属期刊栏目: 研究与探讨|Research & Approach
• 页码范围: 56-59
• 页数: 4页
• 分类号: TM277
• 语种: 中文
• DOI: 10.13873/J.1000-9787(2022)04-0056-04

摘要

针对现有滚动轴承故障诊断算法诊断准确度不高的问题,提出了一种基于集合经验模态分解(EEMD)以及全局麻雀群搜索算法(GSSA)优化支持向量机(SVM)的滚动轴承故障诊断方法.所提方法利用EMMD以及能量矩对原始信号进行模态分解与特征提取.为提高诊断精度,提出一种GSSA-SVM算法.首先提出一种对原始麻雀搜索算法(SSA)中的探索粒子更新方式进行全局化改进,以提高其迭代速度与计算精度的GSSA,然后建立GSSA-SVM模型.最后,利用所提算法对实测信号进行诊断分析,验证了所提方法的有效性与优越性.