文档名：基于多特征融合与GSASVM的滚动轴承故障诊断
摘要：滚动轴承在故障诊断过程中,存在着单一特征诊断准确率较低且无法充分表征故障信号所包含信息的问题.提出一种基于局部线性嵌入算法(LocallyLinearEmbedding,LLE)结合熵权法(theEntropyWeightMethod,EWM)的多特征融合方法,结合引力搜索算法(GravitationalSearchAlgorithm,GSA)改进支持向量机(SupportVectorMachine,SVM)实现滚动轴承的故障诊断.首先采用LLE-EWM对提取到的48维故障特征进行筛选融合,然后结合GSA-SVM模型对提取到的融合特征进行诊断,从而实现对滚动轴承变负载条件下的故障诊断.通过凯斯西储大学滚动轴承实测振动信号,对所提故障融合诊断方法的有效性进行验证.在特征筛选阈值设定为60％时,滚动轴承故障诊断的准确率达到99.7％.对比不同模型,所提方法具有最高的诊断准确率.试验结果表明,所提方法能够实现对故障信号特征信息的深度提取及提高故障诊断精度.
作者：刘杰 李长杰 赵昕 谭玉涛Author：LIUJie LIChangjie ZHAOXin TANYutao
作者单位：沈阳工业大学机械工程学院,辽宁沈阳110870
刊名：传感技术学报 ISTICPKU
Journal：ChineseJournalofSensorsandActuators
年，卷(期)：2023, 36(10)
分类号：TM133.33
关键词：滚动轴承 多特征融合 智能优化算法 故障诊断
Keywords：rollingbearing multi-featurefusion intelligentoptimizationalgorithm faultdiagnosis
机标分类号：TP391.1TN911O157.5
在线出版日期：2023年12月12日
基金项目：辽宁省教育厅，辽宁省兴辽英才计划资助项目基于多特征融合与GSA-SVM的滚动轴承故障诊断[
期刊论文] 传感技术学报--2023, 36(10)刘杰 李长杰 赵昕 谭玉涛滚动轴承在故障诊断过程中,存在着单一特征诊断准确率较低且无法充分表征故障信号所包含信息的问题.提出一种基于局部线性嵌入算法(LocallyLinearEmbedding,LLE)结合熵权法(theEntropyWeightMethod,EWM)的多特征融...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于多特征融合与GSA-SVM的滚动轴承故障诊断 Rolling Bearing Fault Diagnosis Based on Multi-Feature Fusion and GSA-SVM
基于多特征融合与GSA-SVM的滚动轴承故障诊断.pdf
- 文件大小:
- 2.71 MB
- 下载次数:
- 60
-
高速下载
|
|
