融合多特征信息与GWO-SVM的机械关键设备故障诊断

作     者：宋玲玲 王琳 钟丽 李晨曦 SONG Ling-ling;WANG Lin;ZHONG Li;LI Chen-xi

作者机构：烟台职业学院电气与电子工程系山东烟台264670 鲁东大学信息与电气工程学院山东烟台264670 山东理工大学机械工程学院山东淄博255000 

基　　金：山东省2021年度职业教育教学改革研究项目(2021119) 

出 版 物：《机械设计与制造》 (Machinery Design & Manufacture)

年 卷 期：2024年第405卷第11期

页      码：116-121页

摘      要：为了提高机械关键设备故障诊断的精度,建立机械关键设备故障诊断模型。文章提出一种融合机械关键设备故障信号多特征信息与灰狼优化算法(Grey Wolf Optimization Algorithm,GWO)改进支持向量机(Support Vector Machine,SVM)(GWO-SVM)的机械关键设备故障诊断模型。首先,提取机械关键设备故障信号的时域特征、频域特征和多尺度加权排列熵特征,分别对比不同特征的机械关键设备故障诊断结果。其次,为提高SVM模型性能,运用GWO算法对SVM模型的惩罚参数P和核函数参数g进行优化选择,提出一种融合多特征信息与GWO-SVM的机械设备故障诊断模型。与GA-SVM、PSO-SVM和SVM相比,基于GWO-SVM的机械设备故障诊断模型的诊断精度最高。这里算法可以有效提高机械关键设备故障诊断正确率,为机械关键设备故障诊断提供了新的方法。

主 题 词：时域特征 灰狼优化算法 支持向量机 频域特征 多尺度加权排列熵 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 081203[081203] 08[工学] 0835[0835] 0802[工学-机械学] 080201[080201] 0812[工学-测绘类] 

D　O　I：10.3969/j.issn.1001-3997.2024.11.023

馆 藏 号：203155523...