首页|基于GAPSO-SVM的滚动轴承故障分类方法

基于GAPSO-SVM的滚动轴承故障分类方法

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对滚动轴承故障分类准确率低的问题,提出一种利用遗传算法结合粒子群算法优化支持向量机分类器的故障诊断方法.实验通过提取滚动轴承不同故障状态下的振动信号,以转化成时域和频域组成的特征集为特征向量,利用粒子群生成二维粒子,即惩罚因子C、核函数参数G,并喂入支持向量机进行训练和交叉验证,取最优适应度对应的粒子,进而构建遗传粒子群改进支持向量机故障分类模型.实验证明,粒子群改进的支持向量机与遗传算法改进的支持向量机相比,该算法模型在滚动轴承故障分类中对时域、频域、时频域3个特征集的正确率均有明显改进.
Rolling Bearing Fault Classification Method Based on GAPSO-SVM

黄静、张招君

展开 >

浙江理工大学信息学院,浙江杭州310018

支持向量机 粒子群算法 遗传算法 滚动轴承 信号特征

浙江省科技厅重点项目

2019C01114

2021

10.11907/rjdk.201718

软件导刊
湖北省信息学会

软件导刊

影响因子：0.524
ISSN：1672-7800
年,卷(期)：2021.20(1)
  • 2
  • 7