摘要:針對(duì)非線性、非平穩(wěn)的滾動(dòng)軸承振動(dòng)信號(hào)特征'難表征'和基于支持向量機(jī)(Support vector machine, SVM)的故障分類模型'精度低'的問(wèn)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(jié)合的滾動(dòng)軸承狀態(tài)辨識(shí)方法。首先,利用Kurtogram算法、相關(guān)系數(shù)最大準(zhǔn)則'篩選'出原信號(hào)經(jīng)VMD后包含有效故障信息的本征模函數(shù)(Intrinsic Mode Functions, IMF),并計(jì)算其形態(tài)譜熵和能量熵構(gòu)建有效特征向量集;其次,利用AFSA尋找最優(yōu)的懲罰系數(shù)C和高斯核寬度系數(shù)σ的核函數(shù)系數(shù)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(dòng)軸承狀態(tài)辨識(shí)模型。實(shí)驗(yàn)結(jié)果表明,所提方法不僅能凸顯原信號(hào)中的有效故障成份,同時(shí)也提高了模型學(xué)習(xí)效率和分類精度。
注:因版權(quán)方要求,不能公開全文,如需全文,請(qǐng)咨詢雜志社