基于粒子群优化支持向量机的回转支承寿命状态识别

《基于粒子群优化支持向量机的回转支承寿命状态识别》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于粒子群优化支持向量机的回转支承寿命状态识别陆超，陈捷，洪荣晶，封杨收稿日期：2014-10-23基金项目：国家自然科学基金(51375222)；2014年度高校“青蓝工程”作者简介：陆超(1990-)，男，江苏扬州人，硕士，主要研究方向为回转支承寿命预测；陈捷(联系人)，教授，E-mail：820967156@qq.com.（南京工业大学机械与动力工程学院，江苏南京211800）摘要：回转支承已在工程机械和风力发电等方面得到广泛应用。为了对其健康状态做出正确判断，本文采用经粒子群算法优化的支持向量机模

2、型来对其寿命状态做出准确识别。寿命状态识别的关键问题是特征向量的提取。为了得到有效而又全面的寿命状态信息，从时域和时频域方面提取多个特征向量进行综合分析，从而实现了小样本数据下信息的最大挖掘。最后以回转支承全寿命实验对该方法进行检验，结果表明该模型的效果优于传统的支持向量机以及单变量模型，具有实际工程应用价值。关键词：回转支承；支持向量机；粒子群；寿命状态识别中图分类号：TH17;TP18文献标志码：ASlewingbearing life state recognitionbasedonsupport 

3、vectormachineoptimizedbyparticleswarmLUChao,CHENJie,HONGRongjing,FENGYang(CollegeofMechanicalandPowerEngineering,NanjingTechUniversity,Nanjing211800,China)Abstract:Slewingbearing hasbeenwidelyusedin engineeringmachinery andwindpower.Inorderto maketheright

4、judgmentson theirhealthstatus, thesupportvectormachineoptimizedbyparticleswarmalgorithm modelwasproposedtomake anaccurateidentificationof thelife state. Thekey problemsoflife staterecognition isthefeature vectorextraction.Inordertogetaneffectiveandcompreh

5、ensivelife stateinformationofslewingbearing,multiple-feature vectorsfrom timedomainandtimefrequencydomainwerebeenextracted,onlyinthiswaycantheinformationundersmallsamplebeextractedasmuchaspossible.Finally, theslewingbearing life experimentswereusedtotestt

6、hemodel.TheresultsdemonstratedthattheproposedmodelisbetterthanthetraditionalSVMandunivariatemodel,soitcanbeappliedinthepracticalengineering.Keywords:Slewingbearing;Support vectormachine;Particleswarmoptimization;Life staterecognition回转支承已在工程机械和风力发电等方面得到广泛

7、应用。一旦失效，将会影响机械装备的正常运行，并导致严重的经济损失和安全事故。鉴于此，有必要研究出一种评估回转支承当前寿命状态的技术，能够在设备出现早期故障前，就对其寿命状态进行估计，并在此基础上合理安排维护与检修，尽可能降低企业的经济损失和人员伤亡，具有重要意义。回转支承寿命状态的估计一直是国内外学者研究的热点，其中的关键是如何获取能够正确反映其寿命状态的特征向量。研究发现，时域的均方根RMS[1]被较多学者选用为寿命判定时的特征向量。但是，单纯采用某一个特征向量往往不能完全表征寿命退化演变的趋势，特别是

8、对于特征信息微弱的回转支承来说，如果仍然像普通轴承一样利用单个特征进行建模分析，必定会影响预测精度。因此，必须综合考虑多个特征向量。文献[2-4]采用振动信号的RMS、峭度、偏度等多个时域指标作为特征向量。近一步研究发现，如果仅仅从时域上分析可能会丢失很多有用的信息。刘永前[5]等人则从频域和时频域方面提取信号的功率谱熵、小波熵等作为特征向量进行分析。寿命状态识别的另一个关键是建立合理有效的预测模型。近年来，神经网络模型[1-