针对齿轮故障振动信号的非平稳调制特性以及传统共振解调方法不易确定滤波器参数的缺点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)时频分析的谱峭度(Spectrum Kurtosis,SK)分析方法,并将其应用于齿轮故障诊断。该方法...针对齿轮故障振动信号的非平稳调制特性以及传统共振解调方法不易确定滤波器参数的缺点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)时频分析的谱峭度(Spectrum Kurtosis,SK)分析方法,并将其应用于齿轮故障诊断。该方法首先利用LMD对齿轮故障振动信号进行分析得到时频分布,然后将时频分布按照不同的尺度分成若干不同的频段,计算每一频段内信号的谱峭度值,并得到相应的峭度图,再根据峭度最大原则选取滤波频段,对滤波后的信号进行包络分析以获得齿轮振动信号的故障信息。利用该方法分别对仿真信号以及齿轮故障振动信号进行了分析,结果表明,基于LMD的谱峭度分析方法能够有效地提取齿轮故障振动信号特征。展开更多
为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响,提出了基于混沌人工蜂群算法的支持向量机(CABC-SVM:Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic混沌映射...为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响,提出了基于混沌人工蜂群算法的支持向量机(CABC-SVM:Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic混沌映射初始化种群和锦标赛选择策略,对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数。通过UCI标准数据集实验证明,CABC具有较强的局部和全局搜索能力,其优化的支持向量机可在很大程度上克服局部极值点,从而获取更高的分类准确率,并有效缩短了搜索时间。将该方法应用于实际齿轮故障诊断中,采用小波相对能量作为特征输入支持向量机,分类准确率达到99.4%,验证了该方法的可行性和有效性。展开更多
文摘针对齿轮故障振动信号的非平稳调制特性以及传统共振解调方法不易确定滤波器参数的缺点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)时频分析的谱峭度(Spectrum Kurtosis,SK)分析方法,并将其应用于齿轮故障诊断。该方法首先利用LMD对齿轮故障振动信号进行分析得到时频分布,然后将时频分布按照不同的尺度分成若干不同的频段,计算每一频段内信号的谱峭度值,并得到相应的峭度图,再根据峭度最大原则选取滤波频段,对滤波后的信号进行包络分析以获得齿轮振动信号的故障信息。利用该方法分别对仿真信号以及齿轮故障振动信号进行了分析,结果表明,基于LMD的谱峭度分析方法能够有效地提取齿轮故障振动信号特征。
文摘为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响,提出了基于混沌人工蜂群算法的支持向量机(CABC-SVM:Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic混沌映射初始化种群和锦标赛选择策略,对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数。通过UCI标准数据集实验证明,CABC具有较强的局部和全局搜索能力,其优化的支持向量机可在很大程度上克服局部极值点,从而获取更高的分类准确率,并有效缩短了搜索时间。将该方法应用于实际齿轮故障诊断中,采用小波相对能量作为特征输入支持向量机,分类准确率达到99.4%,验证了该方法的可行性和有效性。
