灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

摘要：

针对风力机齿轮箱振动信号非线性和非平稳性的特征,提出基于模糊熵(Fuzzy Entropy,FE)和灰狼算法优化(Grey Wolf Optimizer,GWO)的支持向量机(GWO Support Vector Machine,GWO-SVM)的故障诊断方法.通过集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)对振动信号进行分解得到若干本征模态函数(Intrinsic Mode Function,IMF)分量;求取各状态IMF分量的模糊熵并构建特征向量;将各特征向量输入GWO-SVM模型进行故障识别及分类.结果 表明:齿轮箱振动信号不同状态下的模糊熵有一定区分度,通过GWO-SVM能对其进行精确识别和分类,且GWO-SVM相对于粒子群优化(Particle Swarm Optimization,PSO)SVM模型和遗传算法(Genetic Algorithm,GA)优化SVM模型具有更短的运行时间和更高准确率,平均准确率高达92.5％.

关键词：风力机齿轮箱;故障诊断;集合经验模态分解;灰狼算法优化;支持向量机;模糊熵

所属期刊栏目：43

分类号：TH133.3

资助基金：国家自然科学基金项目;上海市"科技创新行动计划"地方院校能力建设项目

在线出版日期：2021-11-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1026-1034