-
题名低速重载滚动轴承状态PSO-SVM识别方法研究
- 1
-
-
作者
张永鑫
宋晓庆
王志阳
-
机构
郑州商学院信息与机电工程学院
河南理工大学机械与动力工程学院
-
出处
《机械设计与制造》
北大核心
2025年第10期273-278,共6页
-
基金
河南省科技攻关计划项目—TBM主传动系统主轴承典型故障大数据预警技术研究(232102221039)。
-
文摘
滚动轴承在不同状态下的标签化样本中通常包含多种故障模式和噪声,他们之间的关系往往是非线性的。传统方法往往难以处理这种复杂的非线性关系,且需要手动选择特征,易导致信息丢失或引入噪声,影响识别效果,为此提出一种低速重载滚动轴承状态粒子群优化算法-支持向量机(Particle Swarm Optimization-Support Vector Machine,PSO-SVM)识别方法。提取低速重载滚动轴承振动信号的层次时移多尺度波动散布熵作为轴承状态特征,并量化不同状态样本特征之间的差异。引入支持向量机构建低速重载滚动轴承状态识别模型,SVM将输入的非线性可分样本向量映射至高维空间,在空间中搜索最优线性平面,避免非线性带来的负面影响。并利用粒子群优化算法寻优支持向量机参数,获取最优参数组合,通过标签化样本集训练SVM作为状态识别模型,将训练完成SVM用于低速重载滚动轴承状态识别。实验结果表明,所提方法状态识别准确性较高,说明其能够更准确地识别出轴承的不同状态。
-
关键词
低速重载滚动轴承
层次时移多尺度波动散布熵
粒子群优化算法
支持向量机
状态识别
-
Keywords
Low Speed Heavy-Duty Rolling Bearings
Hierarchical Time-Shifted Multiscale Fluctuation Dispersion En-tropy
Particle Swarm Optimization Algorithm
Support Vector Machine
State Recognition
-
分类号
TH16
[机械工程—机械制造及自动化]
TH133
[机械工程—机械制造及自动化]
-
