| 基于DE-LSSVM的滚动轴承故障诊断 |
| |
| 引用本文： | 岳晓峰,邵海贺.基于DE-LSSVM的滚动轴承故障诊断[J].应用声学,2015,23(12):5-5. |
| |
| 作者姓名： | 岳晓峰 邵海贺 |
| |
| 基金项目： | 吉林省科技厅基金资助项目(编号： 20110303) |
| |
| 摘 要： | 针对滚动轴承故障诊断难以获得大量样本的问题以及LS-SVM 模型参数选择方法易陷入局部最优的缺点，提出了一种集合经验模态分解能量熵和差分进化算法（DE）优化最小二乘支持向量机相结合的轴承故障诊断方法。首先原始振动信号采用EEMD分解得到一组固有模态函数（IMF），从有效本征模态函数IMF分量中提取的能量特征作为输入建立支持向量机，通过计算不同振动信号的能量熵值大小来判断轴承的故障损伤程度。为了提高模型的诊断精度，采用差分进化算法对LS-SVM的结构参数进行优化，并与LS-SVM和PSO-LSSVM模型相比较。结果表明，DE-LSSVM 模型的故障分类准确性得到了提高，可以有效应用于滚动轴承故障诊断中。
|
| 关 键 词： | 集合经验模式分解 能量熵 差分进化算法 最小二乘支持向量机 故障诊断 |
| 收稿时间： | 5/8/2015 12:00:00 AM |
| 修稿时间： | 2015/6/13 0:00:00 |
Rolling Bearing Fault Diagnosis Based On DE-LSSVM |
| |
| Abstract: | |
| |
| Keywords: | EEMD Differential evolution LS-SVM Fault diagnosis |
|
| 点击此处可从《应用声学》浏览原始摘要信息 |
| 点击此处可从《应用声学》下载免费的PDF全文 |
