基于小波包和支持向量机的滚动轴承故障特征提取及诊断研究

• 作 者: 杨红叶
• 出 处: 青岛大学
• 发表日期: 2020年02期
• 关键词: 轴承故障 小波包变换 支持向量机 人工鱼群算法 引力搜索算法

滚动轴承是旋转机械中必备的关键构成部件,一旦出现故障就会影响机械设备的正常运行,及时对机械和设备进行故障诊断排查对设备的正常运行起着重要的作用。因此本文以滚动轴承故障诊断为背景,对其可能出现的滚珠故障、内圈故障、外圈故障、三种故障类型及其正常情况下的振动信号进行诊断研究,这对机械设备的高效运行、安全操作以及提高经济效益具有十分重要的意义。首先,本文分析了现阶段提取故障信息的主要方法,并根据滚动轴承早期故障数据特征特点,选择小波包变换(Wavelet Package Transform,WPT)技术提取第3层分解后重构的8个能量值,并取8个能量值来表示原始数据的特征。小波包重构之后的能量特征值需要进行归一化处理作为模式分类器的输入。其次,本文选择支持向量机(Support Vector Machine,SVM)模式识别模型对特征数据进行模式识别,但其惩罚参数c和核参数g选取不同严重影响SVM的分类效果,所以本文提出通过人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)、引力搜索算法(Gravitational Search Algorithm,GSA)优化支持向量机模型对特征数据进行模式识别,阐述算法原理,并分别对两种优化算法进行改进,通过遗传算法(Genetic algorithm,GA)对AFSA鱼群变异交叉操作,得到IAFSA算法;给GSA加一个惯性权重得到IGSA算法。最终基于Matlab数值模拟计算平台,将优化后的SVM模型识别方法仿真实现。最后,通过对未经过优化的SVM、以及AFSA-SVM、IAFSA-SVM、GSA-SVM、IGSA-SVM模型优化结果的准确率进行对比分析,它们的模式识别结果分别是83.33%、93.33%、96.67%、96.67%及98.33%,可以看出IGSA-SVM算法模型的分类效果更好,具有较强的收敛能力和较快的收敛速度。因此,基于小波包变换的特征提取方法结合优化后的支持向量机模型的识别方法可以明显提高滚动轴承故障的识别准确率。