文献类型：期刊文章

作　　者：蒋永华[1] 程光明[1] 阚君武[1] 宣仲义[1] 马继杰[1] 张忠华[1]

机构地区：[1]浙江师范大学精密机械研究所,金华321004

出　　处：《仪器仪表学报》

基　　金：国家自然科学基金(51277166;51175478);浙江省自然科学青年基金(LQ12E07002);浙江省教育厅项目(y200909202);浙江省博士后科研项目择优资助项目(BSH1302015)资助

年　　份：2013

卷　　号：34

期　　号：12

起止页码：2684-2689

语　　种：中文

收录情况：BDHX、BDHX2011、CAS、CSCD、CSCD2013_2014、EI(收录号：20140317208983)、IC、INSPEC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：支持向量机(SVM)的分类性能受样本的特征以及SVM本身参数的选择影响较大。针对这种情况,基于Shannon能量熵、SVM和小生境遗传算法(NGA),提出了一种基于NGA优化SVM的滚动轴承故障诊断方法。该方法采用容错性强的Shannon能量熵作为特征参数,对信号进行EMD分解提取出前3个IMF分量作为特征信号,分别计算其Shannon能量熵作为特征向量得到样本集,作为多类别SVM的输入。在用样本训练SVM时,构造一种新的核函数,并采用NGA对SVM的核函数参数进行全局优化,使SVM获得最佳的分类性能,提高其分类识别的正确率。最后采用凯斯西储大学的滚动轴承故障样本进行了分类识别,并与其他几种方法进行了对比,结果表明该方法具有更好的可靠性和分类准确率。

关 键 词：故障诊断 小生境遗传算法(NGA)  支持向量机(SVM)  Shannon能量熵  

分 类 号：TH165.3] TN911.2]