Fisher准则下的粒子群支持向量机在轴承故障诊断中的应用

摘要：

针对粒子群算法对支持向量机参数进行优化时存在的收敛速度慢、分类准确率不高的问题,通过引入Fisher准则评估每个特征向量粒子的适应度得到最优特征子集,提出了一种基于Fisher准则下粒子群算法优化支持向量机(FIPSO-SVM)的新分类方法,该方法的目标是尽可能地加大类间间隔和减小类内间隔.采用滚动轴承数据集在时域和频域上得到32组特征向量,测试该方法在4种工作状态下的分类效果,最后,使用不同核函数和2种不同算法将全样本特征向量与最优特征向量子集的SVM分类结果进行对比.结果表明,FIPSO-SVM分类器不仅能够识别故障产生的位置,还能区别故障损伤的程度,FIPSO-SVM分类器具有更高的分类精度和更快的收敛速度,值得进一步在工程领域内推广.

关键词：Fisher准则、粒子群算法、支持向量机、滚动轴承、故障诊断

所属期刊栏目：36

分类号：TH13

资助基金：国家自然科学基金资助项目51675350;高校重点课题2018XB01-4

在线出版日期：2019-01-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：49-54