基于混合域特征优选与DEGWO-SVM的滚动轴承故障诊断

摘要：

针对混合域特征存在冗余,且灰狼算法(GWO)优化支持向量机(SVM)模型易陷入局部最优的问题,以自适应局部迭代滤波(ALIF)和拉普拉斯评分(LS)构建特征空间,并重点通过差分进化(DE)策略改进GWO-SVM实现滚动轴承故障状态的准确识别.首先用ALIF将轴承振动信号分解为若干模态,并通过LS从时域、频域和时频域特征中提取出低维特征;然后引入DE策略以提高GWO的全局与局部搜索性能,避免自适应SVM陷入局部最优;最终通过基于DEGWO的自适应SVM模型来提高轴承故障诊断精度.与主成分分析(PCA)相比,LS低维特征的诊断精度得到提升,冗余问题得到改善.与GWO-SVM相比, DEGWO-SVM的诊断精度提高了10.56％,表明引入的差分进化策略有效提高了GWO的搜索性能,且自适应SVM的诊断精度显著提高.

资助基金：衢州市科技计划指导性项目;衢州职业技术学院校级重点科研项目

在线出版日期：2021-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：83-87