论文摘要
为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empirical mode decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法.通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维.结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.
论文目录
文章来源
类型: 期刊论文
作者: 张敏,蔡振宇,包珊珊
关键词: 集合经验模态分解,变换,烟花算法,支持向量机
来源: 西南交通大学学报 2019年03期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 机械工业,自动化技术
单位: 西南交通大学机械工程学院,西南交通大学轨道交通运维技术与装备四川省重点实验室
基金: 国家自然科学基金资助项目(51675450),教育部人文社会科学研究青年基金资助项目(18YJC630255)
分类号: TP18;TH133.33
页码: 633-639+662
总页数: 8
文件大小: 1652K
下载量: 354
相关论文文献
标签：集合经验模态分解论文; 变换论文; 烟花算法论文; 支持向量机论文;