Print

基于VMD散布熵与改进灰狼优化SVDD的轴承半监督故障诊断研究

论文摘要

为充分挖掘未标记样本所蕴含的有效信息,进而提升诊断精度,研究提出一种基于变分模态分解(VMD)散布熵与改进灰狼优化支持向量数据描述(SVDD)的轴承半监督故障诊断方法。采用中心频率观察法确定VMD分解模态参数K,进而将原始信号分解为一系列本征模态函数并计算各分量的散布熵值,构成测试样本和部分标记的训练样本;再由半监督模糊C均值(SSFCM)聚类对训练样本进行聚类分析,从而对所得聚类簇进行SVDD建模,同时采用k近邻准则进行决策优化,并由所提自适应变异灰狼算法优化SVDD模型参数;将基于最优参数训练的改进决策SVDD模型用于测试样本的故障模式识别。试验分析和对比结果表明,所提方法具有较好的诊断性能。

论文目录

  • 1 变分模态分解（VMD）
  • 2 散布熵理论（DE）
  • 3 半监督FCM聚类（SSFCM）
  • 4 改进灰狼优化的SVDD
  •   4.1 支持向量数据描述（SVDD）
  •   4.2 改进决策规则（ISVDD）
  •   4.3 自适应变异灰狼参数优化（AMGWO）
  • 5 基于AMGWO与改进决策SVDD的半监督故障诊断方法
  • 6 试验分析
  • 7 结 论

    • 文章来源

    类型: 期刊论文

    作者: 付文龙,谭佳文,王凯

    关键词: 变分模态分解,散布熵,支持向量数据描述,自适应变异灰狼算法,半监督模糊均值,故障诊断

    来源: 振动与冲击 2019年22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: 三峡大学电气与新能源学院,三峡大学梯级水电站运行与控制湖北省重点实验室

    基金: 国家自然科学基金(51741907),梯级水电站运行与控制湖北省重点实验室开放基金(2017KJX06),三峡大学学位论文培优基金(2019SSPY070)

    分类号: TH133.3;TP18

    DOI: 10.13465/j.cnki.jvs.2019.22.027

    页码: 190-197

    总页数: 8

    文件大小: 1571K

    下载量: 437

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/dc2938804235021d9cdfecb4.html