基于GOA优化支持向量机滚动轴承故障诊断

摘要：

针对滚动轴承早期故障难以辨别,提出了一种采用变分模态分解法(visual molecular dynamics,VMD)提取特征,基于蚱蜢算法(grasshopper optimization algorithm,GOA)和优化支持向量机(support vector machines,SVM)的故障诊断方法.首先采用贪心策略预处理滚动轴承的振动信号数据,然后基于变分模态分解处理振动信号数据得到多个本征模态分量(intrinsic mode function,IMF),其次计算各IMF分量的能量和相关时频特征构成多模态特征矩阵,最后利用蚱蜢算法优化的支持向量机进行故障的诊断和识别.通过实验测试大量数据得出的滚动轴承故障诊断结果表明VMD-GOA-SVM不仅可以识别滚动轴承不同的故障类型,同时相比传统方法亦有较高的准确度和运行效率.

关键词：故障诊断、轴承、变分模态分解、蚱蜢算法、支持向量机

所属期刊栏目：23

分类号：TH133.3

资助基金：国家自然科学基金;北京建筑大学市属高校基本科研业务费专项;北京市建筑安全监测工程技术研究中心研究基金

在线出版日期：2023-09-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：8194-8200