Adaboost_SVM集成模型的滚动轴承早期故障诊断

作     者：陈法法 杨晶晶 肖文荣 程珩 张发军 Chen Fafa;Yang Jingjing;Xiao Wenrong;Cheng Hang;Zhang Fajun

作者机构：三峡大学水电机械设备设计与维护湖北省重点实验室湖北宜昌443002 太原理工大学机械电子工程研究所太原030024 

基　　金：国家自然科学基金项目(51405264 51475266) 湖北省重点实验室开放基金项目(2017KJX02)资助 

出 版 物：《机械科学与技术》 (Mechanical Science and Technology for Aerospace Engineering)

年 卷 期：2018年第37卷第2期

页      码：237-243页

摘      要：针对滚动轴承早期故障诊断中故障特征微弱难以有效检测的问题,提出一种基于Adaboost提升支持向量机(Support vector machines,SVM)集成学习模型的滚动轴承早期故障诊断方法。首先以Cincinnati大学实测的滚动轴承全寿命振动数据为基础,采用特征参数跟踪法,建立特征参数的趋势分析,并据此选择用于滚动轴承早期故障诊断的敏感特征参量,然后通过构造Adaboost提升SVM集成学习模型,并将其应用于滚动轴承的早期故障检测中。Ada Boost能够自适应地提升单一SVM的分类性能,相对于传统的单一SVM分类器Adaboost_SVM稳定性最好,早期故障诊断准确率最高。实验结果表明,结合优选的敏感特征参量,Adaboost_SVM能有效地诊断滚动轴承的早期故障模式。

主 题 词：集成学习模型 支持向量机 Adaboost 滚动轴承 故障检测 

学科分类：08[工学] 080203[080203] 0835[0835] 0802[工学-机械学] 081202[081202] 0812[工学-测绘类] 080201[080201] 

核心收录：

D　O　I：10.13433/j.cnki.1003-8728.2018.0212

馆 藏 号：203282611...