-
题名基于TSMLZC和SVM的滚动轴承故障检测方法
被引量：2
- 1
-
-
作者
卢艳静
许艳英
包宋建
-
机构
河南师范大学电子与电气工程学院
三门峡社会管理职业学院信息工程学院
重庆科创职业学院人工智能学院
重庆文理学院电子信息与电气工程学院
-
出处
《机电工程》
CAS
北大核心
2023年第9期1326-1335,共10页
-
基金
重庆市高校创新研究群体项目(CXQT21039)
重庆市教委科学技术研究计划项目(KJZD-K201905401)。
-
文摘
滚动轴承故障检测过程中存在故障特征提取困难和分类准确率较低的问题,为此,提出了一种基于时移多尺度Lempel-Ziv复杂度(TSMLZC)和灰狼优化器-支持向量机(GWO-SVM)的滚动轴承故障诊断方法。首先,基于Lempel-Ziv复杂度,提出了一种称为TSMLZC的测量信号复杂度的工具,其能够无参数地测量时间序列的复杂度;然后,利用该工具提取了滚动轴承振动信号的TSMLZC值作为故障特征,以表征滚动轴承的不同故障状态;最后,将故障特征输入到基于灰狼优化器的支持向量机分类模型中,对不同滚动轴承的状态进行了准确识别;再将该方法应用于2种实际滚动轴承故障案例,并对5种故障检测方法的诊断结果进行了分析和对比。研究结果表明:与传统的故障诊断模型——多尺度Lempel-ziv复杂度(MLZC)、多尺度熵(MSE)、多尺度模糊熵(MFE)、多尺度排列熵(MPE)相比,TSMLZC+GWO-SVM在2种数据集下分别取得了98.8%和94.4%的诊断准确率,证明了该模型能够适用于滚动轴承的故障诊断;而在诊断滚动轴承的不同负载和工况时,所建立的模型也获得了良好的分类准确率,这表明TSMLZC+GWO-SVM具有较强的竞争力。
-
关键词
故障特征提取
故障分类
故障检测准确率
时移多尺度lempel-ziv复杂度
灰狼优化器-支持向量机
-
Keywords
fault feature extraction
fault classification
fault detection accuracy
time shifted multi-scale lempel-ziv complexity(tsmlzc)
grey wolf optimizer-support vector machine(GWO-SVM)
-
分类号
TH133.3
[机械工程—机械制造及自动化]
-
