摘要:針對非線性、非平穩(wěn)的滾動軸承振動信號特征'難表征'和基于支持向量機(Support vector machine, SVM)的故障分類模型'精度低'的問題,提出一種基于變分模態(tài)分解(Variational Mode Decomposition,VMD)、峭度圖(Kurtogram)與人工魚群算法(Artificial Fish Swarm Algorithm,AFSA)優(yōu)化SVM相結合的滾動軸承狀態(tài)辨識方法。首先,利用Kurtogram算法、相關系數最大準則'篩選'出原信號經VMD后包含有效故障信息的本征模函數(Intrinsic Mode Functions, IMF),并計算其形態(tài)譜熵和能量熵構建有效特征向量集;其次,利用AFSA尋找最優(yōu)的懲罰系數C和高斯核寬度系數σ的核函數系數組合(C、σ);并將有效特征向量集作為上述算法的輸入建立滾動軸承狀態(tài)辨識模型。實驗結果表明,所提方法不僅能凸顯原信號中的有效故障成份,同時也提高了模型學習效率和分類精度。
注:因版權方要求,不能公開全文,如需全文,請咨詢雜志社