基于NGA优化SVM的滚动轴承故障诊断
支持向量机(SVM)的分类性能受样本的特征以及SVM本身参数的选择影响较大.针对这种情况,基于Shannon能量熵、SVM和小生境遗传算法(NGA),提出了一种基于NGA优化SVM的滚动轴承故障诊断方法.该方法采用容错性强的Shan-non能量熵作为特征参数,对信号进行EMD分解提取出前3个IMF分量作为特征信号,分别计算其Shannon能量熵作为特征向量得到样本集,作为多类别SVM的输入.在用样本训练SVM时,构造一种新的核函数,并采用NGA对SVM的核函数参数进行全局优化,使SVM获得最佳的分类性能,提高其分类识别的正确率.最后采用凯斯西储大学的滚动轴承故障样本进行了分类识别,并与其他几种方法进行了对比,结果表明该方法具有更好的可靠性和分类准确率.
故障诊断、小生境遗传算法(NGA)、支持向量机(SVM)、Shannon能量熵
34
TH165.3;TN911.2
国家自然科学基金51277166,51175478;浙江省自然科学青年基金LQ12E07002;浙江省教育厅项目y200909202;浙江省搏士后科研项目择优资助项目BSH1302015
2014-01-19(万方平台首次上网日期,不代表论文的发表时间)
共6页
2684-2689