【技术实现步骤摘要】
一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法
本专利技术涉及一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法，属于机械故障诊断的范畴。
技术介绍
滚动轴承是所有工业设备的核心，它将轴和轴座之间的滑动摩擦转化为运行期间的滚动摩擦。以此减少能量损失和运行状态速率的一种工业部件。在工业环境中设备都处在高速、重载和强磁场的状态下，滚动轴承作为不可或缺的部件，其运行状态的稳定性对机械系统的性能有着难以忽略的影响。在这种情况下，及时准确地诊断出滚动轴承内圈，外圈和滚动体的故障对机械设备的运行极其重要。在故障诊断中，支持向量机(SVM)的参数选择与向量机本身的分类精度有很大关系。对于这个问题，可以使用群体智能优化算法来优化其参数，从而提高故障诊断的准确性。群体智能优化算法的工作原理是通过模拟各种宏观或微观的群体所表现的相互作用，利用群体与群体之间、个体与个体之间的相互关系、通过不断反馈信息来取得最适用于问题的方法。但现有技术中滚动轴承故障的准确率较低且其诊断时间较长。
技术实现思路
本专利技术要解决的技术问题是提出一种基于小波包和GWO-SVM滚动轴承的故障诊断的方...
【技术保护点】
1.一种基于小波包和GWO‑SVM的滚动轴承故障诊断的方法，其特征在于：包括如下步骤：利用加速度传感器测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号，然后通过小波包对测量的每一种信号分别进行3层分解，计算每一种信号第3层8个节点的能量并将其作为信号的特征数据；在提取其特征之后，将特征参数输入到由灰狼算法优化的支持向量机SVM中进行训练，得到基于GWO‑SVM的故障诊断模型；最后将测试数据输入到训练好的模型中，最终得到测试数据的故障类型。
【技术特征摘要】
1.一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法，其特征在于：包括如下步骤：利用加速度传感器测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号，然后通过小波包对测量的每一种信号分别进行3层分解，计算每一种信号第3层8个节点的能量并将其作为信号的特征数据；在提取其特征之后，将特征参数输入到由灰狼算法优化的支持向量机SVM中进行训练，得到基于GWO-SVM的故障诊断模型；最后将测试数据输入到训练好的模型中，最终得到测试数据的故障类型。2.根据权利要求1所述的一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法，其特征在于：具体步骤为：(1)将加速度传感器安装在滚动轴承的驱动端上，振动加速度信号由16通道数据记录仪采集得到，驱动端轴承故障采样频率为12kHz，滚动轴承的转速设置为1730r/min，分别测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号，然后通过小波包对测量的每一种信号分别进行3层分解，计算每一种信号第3层8个节点的能量并将其作为信号的特征数据；(2)在提取训练数据的特征之后，将特征参数输入到由灰狼算法优化的支持向量机SVM中进行训练，其中灰狼算法过程如下：假设t为当前迭代次数，Xp(t)为t时刻猎物位置矢量，X(t)为t时刻狼群位置矢量，则狼群与猎物之间的距离D为：D＝|C·XP(t)-X(t)|(1)得到狼群与猎物距离之后，狼群需要适时调整自己的位置，其公式如下：X(t+1)＝XP(t)-A·D(2)其中，X(t+1)为t+1时刻狼群位置矢量，A,C为系数矢量，通过以下公式可以得到A,C的值A＝2a·r1-a(3)C＝2r2(4)其中，r1,r2∈[0,1]的随机向量，a为收敛因子，其随着迭代次数的增加线性的从2递减到0，a的表达公式其中，...
【专利技术属性】
技术研发人员：王海瑞，燕志星，吕维宗，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南,53
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。