Fisher准则下的粒子群支持向量机在轴承故障诊断中的应用
2018-07-25,,,
机械与电子 2018年7期
,,,
(1.沈阳工业大学机械工程学院,辽宁 沈阳 110870;2.辽宁装备制造职业技术学院自控学院,辽宁 沈阳 110161;3.中认(沈阳)北方实验室有限公司,辽宁 沈阳 110164)
0 引言
滚动轴承是旋转机械最易发生故障的部件之一[1]。当滚动轴承出现故障时,不仅要识别故障的类型,还要量化损伤的程度,以便对故障轴承进行及时地修复和更换。
采集振动信号对滚动轴承运行状态进行分析是目前常用的故障诊断方法。由于振动信号具有非线性、非平稳性的特点[2],传统的诊断方法往往需要凭借专业技术人员进行时域、频域或时- 频域分析,再给出诊断结果,这给专业知识相对薄弱的现场工作人员带来了难题。因此,近年来国内外学者致力于开发更简单、更方便的机器学习故障诊断方法。
支持向量机(SVM)是一种基于统计学理论的机器学习方法,它基于结构风险最小化原理,同时考虑了训练误差和分类器模型的容量,具有较好的预测精度,特别适合于小样本、非线性、高维度的情况[3]。
然而支持向量机(SVM)中惩罚参数和核函数的选取不同,会很大程度上影响分类精度,所以,一些学者应用智能搜索算法寻找支持向量机的最优参数。Samanta提出了粒子群算法结合人工神经网络的支持向量机在轴承故障诊断中的应用[4],但该方法只优化了隐藏层节点;Yuan采用改进的离散粒子群算法进行特征选择[5],但没有使选择的特征达到最优;Li利用改进的粒子群算法来优化SVM的参数[6],但由于样本参数固定,存在收敛速度过慢的问题。……
登录APP查看全文
