文献类型：期刊文章

作　　者：马晨佩[1] 李明辉[1] 巩强令[1] 杨白月[1]

MA Chen-pei;LI Ming-hui;GONG Qiang-ling;YANG Bai-yue(Mechanical and Electrical Engineering Institute,Shaanxi University of Science and Technology,Xi’an 710021,China)

机构地区：[1]陕西科技大学机电工程学院,西安710021

出　　处：《科学技术与工程》

基　　金：咸阳市科技计划(2019k02-04)。

年　　份：2021

卷　　号：21

期　　号：10

起止页码：4025-4029

语　　种：中文

收录情况：BDHX、BDHX2020、RCCSE、ZGKJHX、核心刊

摘　　要：针对支持向量机(support vector machine, SVM)的分类性能受自身参数选择影响较大的问题,提出了基于麻雀搜索算法(sparrow search algorithm, SSA)优化SVM的故障诊断方法。利用麻雀搜索算法(SSA)对支持向量机的惩罚参数(C)与核参数(g)进行优化,并构建SSA-SVM滚动轴承故障诊断模型。结果表明:对于滚动轴承的常见故障,SSA-SVM诊断模型的测试正确率为96.67%,比传统的遗传算法(genetic algorithm, GA)-SVM和粒子群算法(particle swarm optimization, PSO)-SVM诊断模型分别提高3.34%和1.67%,且收敛速度更快,可有效应用于故障诊断。

关 键 词：支持向量机 麻雀搜索算法  参数优化 故障诊断  

分 类 号：TH133.33]