基于小波理論和改進(jìn)PSO-LSSVM的電機(jī)軸承故障診斷.pdf

1、由于現(xiàn)代科技的進(jìn)步以及自動(dòng)化技術(shù)的發(fā)展，異步電動(dòng)機(jī)遍布工業(yè)基礎(chǔ)領(lǐng)域。滾動(dòng)軸承是電機(jī)的重要機(jī)械零件，其運(yùn)行的安全與否關(guān)系到設(shè)備系統(tǒng)的可靠性，對(duì)滾動(dòng)軸承故障診斷研究是非常有實(shí)用價(jià)值的。
　　對(duì)故障特征提取是故障診斷的核心部分，為軸承故障模式識(shí)別的前提。本文在基于小波理論的前提下，提出小波包分析與信息熵相結(jié)合提取振動(dòng)信號(hào)的特征向量。對(duì)于故障軸承產(chǎn)生的振動(dòng)信號(hào)具有非平穩(wěn)特性，本文利用小波包變換對(duì)滾動(dòng)軸承信號(hào)進(jìn)行分解和重構(gòu)，把重構(gòu)得最后一層

2、每個(gè)頻帶的能量熵進(jìn)行歸一化處理，把獲取的多維向量作為信號(hào)的故障特征。
　　本文在最小二乘支持向量機(jī)(LSSVM)分類算法的基礎(chǔ)上，選取高斯徑向核函數(shù)對(duì)所提取的故障特征進(jìn)行模式識(shí)別。利用LSSVM只需求解一個(gè)線性方程組，計(jì)算量降低等優(yōu)點(diǎn)，進(jìn)行了不同核函數(shù)參數(shù)、懲罰因子的仿真實(shí)驗(yàn)獲得了較高的診斷準(zhǔn)確率，同時(shí)證明了兩參數(shù)對(duì)診斷結(jié)果的重要性。
　　出于對(duì)LSSVM核函數(shù)參數(shù)、懲罰因子需要參數(shù)尋優(yōu)的考慮，提出了基于模擬退火混合粒子群(