改进SVM模型在轴承故障诊断中的应用研究.pdf

《改进SVM模型在轴承故障诊断中的应用研究.pdf》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、第9期机械设计与制造2012年9月MachineryDesign&Manufacture文章编号：10Ol一3997(2012)09—0099—03改进SVM模型在轴承故障诊断中的应用研究术侯国平马萱-唐茗2(’重庆电力高等专科学校，重庆400533)(水电机械设备设计与维护湖北省重点实验室，宜昌443002)ApplicationResearchofImprovedSVMModelforlntrusionDetectionHOUGuo—ping，MAXuan，TANGMing~(ChongqingElectricP

2、owerCollege，Chongqing400533，China)(2HubeiKeyLaboratoryofHydroelectricMachineryDesign&Maintenance，Yichang443002，China)【摘要】针对轴承故障诊断中支持向量机(svM)模型结构自适应性差，导致SVM检测效率不高的问题，提出了基于核主成分分析(KPCA)和蚁群优化支持向量机(PSO—SVM)的轴承故障检测方法。该方法不仅能够利用KPCA选择轴承故障数据重要的非线性特征，确定最佳特征变量数，同时还应用PSO优化

3、SVM训练过程，从而获得结构参数合理且泛化能力良好的轴承故障诊断模型。通过轴承故障实验数据来检验模型，结果表明了所提方法检测性能高于目前常采用的PCA—SVM、KPCA—SVM以及SVM等方法，从而为SVM更好应用于轴承故障诊断提供技术支持。关键词：轴承；故障诊断；支持向量机；核主成分分析；蚁群算法【Abstract】Thebearingfaultdiagnosisefficiencyisoftenaffectedbythestructureparameterdesignofthesupportvectormachi

4、ne(SVM)mode1．1mproperSVMmodeldesignmayleadtoalowdetectionprecision．Toovercometheseproblems，anewbearingfaultdetectionmethodbasedonkernelprincipalcomponentanalysis(KPCA)，Particleswarmoptimization(PSO)andSVMisproposed．TheKPCAWasfirstlyusedtoob-tainthemostdistinctf

5、eaturesoftheinputdatatoeliminatetheredundantatures．ThenthePSOWasem—ployedtooptimizethetrainingprocedureoftheSVM．Thus，satisfactorySVMmodelwithgoodextendableabilityWasattained．TheefficiencyoftheproposedmethodWasevaluatedwiththebearingfauhexperimentaldata．Theexper

6、imentresultsdemonstratethattheproposedapproachoutperform$theexistingmethods，suchasPCA—SVM，KPCA—SVMandSVMwithrespecttothebearingfaultdetectionrate，thusprovidingbettertechnologicalsuppo~totheapplicationofSVMintobearingfauhdiagnosis．KeyWords：Bearing；FaultDiagnosis

7、；SVM；KPCA；PSO中图分类号：TH16文献标识码：A误诊率具有重要意义。为了解决上述问题，提出了一种新的轴1引言承故障诊断方法。该方法的显著特点是同时实现了数据特征降维轴承是最基础的机械零部件，被广泛应用于航天航空、汽车与SVM核参数优化。其首先采用KPCA对轴承故障特征向量进轮船、采矿钢铁等工业行业。由于长期处于恶劣的工作环境，轴承行压缩，降低维数，并保留了特征空间固有的非线性结构；同时，非常容易发生故帝n。据统计，旋转机械中由于滚动轴承损坏而引利用粒子群算法(Ps0)[-叼易陷于局部最优的特性优化SVM核

8、起的故障约占3O％左右日，因此，需要对滚动轴承的运行状态进行函数参数，建立起基于KPCA和PSO—SVM的轴承故障检测模监测，及早发现故障隐患。目前，为了有效检测轴承早期故障，各型。通过利用轴承故障实验数据集进行实验分析，结果表明该方种先进的机器学习算法，包括遗传进化算法、自适应算法、神经网法能够较好检测轴承内外圈点蚀以及轴承钢球剥落等早期故障