10.3969/j.issn.1001-2257.2018.05.007
QPSO-WT和QPSO-SVM在滚动轴承故障诊断中的应用
为了解决小波降噪软阈值选择非最优以及 SVM算法中惩罚参数、核函数参数的设置问题,将小波变换、支持向量机分别与量子行为粒子群优化算法QPSO(quantum-behaved particle swarm optimiza-tion,)相结合,利用 QPSO优化小波阈值以及优化 SVM输入参数,进行全局寻优,并将之应用到滚动轴承故障识别中.实验中,QPSO-WT滤波后信号具有更高的信噪比和更低的 MSE,QPS0-SVM对10种不同状态的轴承进行故障诊断,对于多分类的情况该方法的识别精确度达到了87.67 %,与SVM和 RBF神经网络对比,从而进一步证明了该方法的有效性,说明该方法能够满足实际工况下的故障诊断要求.
量子行为粒子群、小波变换、支持向量机、参数寻优、故障诊断
36
TH133.33
中央高校基本科研业务费专项资金资助2682016CX033
2018-06-25(万方平台首次上网日期,不代表论文的发表时间)
共5页
33-36,41