10.16055/j.issn.1672-058X.2023.0001.011
基于LMD和SSA-SVM的电机故障诊断
针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法(SSA)优化支持向量机(SVM)的故障诊断方法.第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的P F分量进行信号重构,重构后的故障信号再次经过LMD分解得到的P F分量求出各自的能量熵,直接用能量图展现出来.接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里.利用麻雀搜索算法在支持向量机(SVM)对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2％,与P SO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性.
LMD分解、SSA-SVM、电机、故障诊断
40
O643(物理化学（理论化学）、化学物理学)
2023-04-04（万方平台首次上网日期，不代表论文的发表时间）
共7页
64-70
