文献类型：期刊文章

作　　者：李怡[1] 李焕锋[1] 刘自然[1]

LI Yi;LI Huan-feng;LIU Zi-ran(School of Mechanical and Electrical Engineering,Henan University of Technology,Zhengzhou 450001,China)

机构地区：[1]河南工业大学机电工程学院,河南郑州450001

出　　处：《机电工程》

基　　金：河南省自然科学基金资助项目(182300410234)。

年　　份：2021

卷　　号：38

期　　号：5

起止页码：599-604

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对支持向量机(SVM)应用在轴承故障分类时,传统的智能算法优化SVM的参数容易存在寻优速度慢、调节参数多,以及容易陷入局部最优值等问题,提出了一种基于CEEMDAN多尺度熵与SSA-SVM相结合的故障诊断方法。对滚动轴承的故障特征提取和SVM参数优化进行了研究,引入了一种新的群智能优化算法,用麻雀搜索算法(SSA)对SVM参数进行了优化,提高了寻优速度以及轴承的故障分类准确率;该方法先采用自适应白噪声完整经验模态分解(CEEMDAN)算法分解信号,获得了若干个固有模态函数(IMF);再采用相关系数方法选择有用IMF分量,并进行了重新组合;最后,计算重构信号的多尺度熵作为特征向量,输入SSA优化的SVM进行了故障分类。研究结果表明:采用该方法能够准确地获得故障信息,且识别准确率高;与PSO、GA优化的SVM相比,该方法的故障诊断分类性能更好。

关 键 词：自适应白噪声完整经验模态分解  多尺度熵  麻雀搜索算法  支持向量机 故障诊断  

分 类 号：TH133.33]