基于改进的灰狼优化算法与SVM风机轴承故障诊断

刘谨言; 买买提热依木·阿布力孜; 项志成; 谢丽蓉

doi:10.16578/j.issn.1004.2539.2023.09.022

您当前的位置：

首页 >

文章列表页 >

基于改进的灰狼优化算法与SVM风机轴承故障诊断

开发应用 | 更新时间：2023-09-18

- 基于改进的灰狼优化算法与SVM风机轴承故障诊断
- Fault Diagnosis of Fan Bearings Based on an Improved Grey Wolf Optimization Algorithm and SVM
- 机械传动 2023年47卷第9期页码：160-169
- 作者机构：
  
  新疆大学电气工程学院，新疆乌鲁木齐 830046
- 作者简介：
  
  刘谨言（1997— ），男，河南周口人，硕士研究生；主要研究方向为风力发电系统与故障诊断技术；1315676761@qq.com。
  买买提热依木·阿布力孜（1969— ），男，新疆伊犁人，硕士研究生导师，副教授；主要研究方向为风力发电系统的控制与故障诊断技术；mmtrymab@xju.edu.cn。
- 基金信息：
  
  国家自然科学基金项目(62163034);湖北省自然科学基金(2019CFB384)
- DOI：10.16578/j.issn.1004.2539.2023.09.022
  中图分类号：
- 纸质出版日期：2023-09-15，
  
  收稿日期：2022-06-16，
  
  修回日期：2022-07-19，
扫描看全文
刘谨言,买买提热依木·阿布力孜 ,项志成等.基于改进的灰狼优化算法与SVM风机轴承故障诊断[J].机械传动,2023,47(09):160-169.

Liu Jinyan,Abulizi Maimaitireyimu,Xiang Zhicheng,et al.Fault Diagnosis of Fan Bearings Based on an Improved Grey Wolf Optimization Algorithm and SVM[J].Journal of Mechanical Transmission,2023,47(09):160-169.
刘谨言,买买提热依木·阿布力孜 ,项志成等.基于改进的灰狼优化算法与SVM风机轴承故障诊断[J].机械传动,2023,47(09):160-169. DOI： 10.16578/j.issn.1004.2539.2023.09.022.

Liu Jinyan,Abulizi Maimaitireyimu,Xiang Zhicheng,et al.Fault Diagnosis of Fan Bearings Based on an Improved Grey Wolf Optimization Algorithm and SVM[J].Journal of Mechanical Transmission,2023,47(09):160-169. DOI： 10.16578/j.issn.1004.2539.2023.09.022.

摘要

针对当前风机轴承故障诊断准确率较低、诊断难度较大、耗时较长等问题，提出改进的灰狼优化（Improved Grey Wolf Optimization，IGWO）算法与支持向量机（Support Vector Machine，SVM）故障诊断方法。为了能够精准地提取故障特征，采用时频域分析中的小波包分解法对故障振动信号进行特征提取，将小波包分解后的8个频带能量作为故障特征并构建特征向量；建立SVM故障模型并利用IGWO算法对SVM模型进行参数寻优，避免了灰狼优化（Grey Wolf Optimization，GWO）算法后期易陷入局部最优、收敛速度过慢等。实验结果表明，IGWO算法平均故障识别率高达99.3%，能够更加快速、高效、准确地识别故障的类型，为故障诊断的发展提供了良好的技术支撑。

Abstract

To solve the problems of low accuracy

difficult diagnosis and long time consuming of the current fan bearing fault diagnosis

an improved grey wolf optimization (IGWO) algorithm and a support vector machine (SVM) fault diagnosis method are proposed. In order to accurately extract the fault features

the wavelet packet decomposition method in the time-frequency domain analysis is used to extract the fault vibration signal. Take the wavelet packet decomposition energy of the eight frequency bands as the fault feature， the eigenvectors are constructed. Then

the fault model of SVM is established and the parameters of the SVM model are optimized by the IGWO algorithm

which avoids the defects of local optimum and slow convergence. According to the experimental analysis result

the average fault recognition rate of the IGWO algorithm is up to 99.3%

and it can identify fault types more quickly

more efficiently and more accurately

which provides a good support for the development of fault diagnosis.

关键词

支持向量机改进的灰狼优化算法小波包分解特征提取故障分类

Keywords

Support vector machineImproved grey wolf optimization algorithmWavelet packet decompositionFeature extractionFault classification

references

陈雪峰，郭艳婕，许才彬，等.风电装备故障诊断与健康监测研究综述［J］.中国机械工程，2020，31（2）：175-189.

CHEN Xuefeng，GUO Yanjie，XU Caibin，et al.Summary of research on fault diagnosis and health monitoring of wind power equipment［J］.China Mechanical Engineering，2020，31（2）：175-189.

崔颖.基于振动分析的滚动轴承早期故障诊断研究［D］.杭州：中国计量学院，2014：1-4.

CUI Ying.Research on early fault diagnosis of rolling bearing based on vibration analysis［D］.Hangzhou：China Institute of Metrology，2014：1-4.

程静，王维庆，何山，等.基于WATD双谱分析的风电轴承故障特征提取研究［J］.可再生能源，2017，35（3）：437-442.

CHENG Jing，WANG Weiqing，HE Shan，et al.Research on fault feature extraction of wind turbine bearing based on WATD spectrum analysis［J］.Renewable Energy Resources，2017，35（3）：437-442.

YU G，LIN T R，WANG Z H，et al.Time-reassigned multisynchrosqueezing transform for bearing fault diagnosis of rotating machinery［J］.IEEE Transactions on Industrial Electronics，2021，68（2）：1486-1496.

HE D，CAO H R，WANG S B，et al.Time-reassigned synchrosqueezing transform：the algorithm and its applications in mechanical signal processing［J］.Mechanical Systems and Signal Processing，2019，117：255-279.

孙美岩.基于振动信号的滚动轴承故障特征提取研究［D］.大庆：东北石油大学，2015：2-4.

SUN Meiyan.Extraction of fault features of rolling bearing based on vibration signal［D］.Daqing：Northeast Petroleum University，2015：2-4.

颜少廷，周玉国，任艳波，等.基于RLMD和Kmeans++的轴承故障诊断方法［J］.机械传动，2021，45（2）：163-170.

YAN Shaoting，ZHOU Yuguo，REN Yanbo，et al.Bearing Fault diagnosis method based on RLMD and Kmeans++［J］.Journal of Mechanical Transmission，2021，45（2）：163-170.

MA Z P，ZHAO M，LI B W，et al.A novel blind deconvolution based on sparse subspace recoding for condition monitoring of wind turbine gearbox［J］.Renewable Energy，2021，170：141-162.

于磊，陈森，张瑞，等.深度支持向量机在齿轮故障诊断中的应用［J］.机械传动，2019，43（8）：150-156.

YU Lei，CHEN Sen，ZHANG Rui，et al.Application of deep support vector machine in gear fault diagnosis［J］.Journal of Mechanical Transmission，2019，43（8）：150-156.

PELED R，BRAUN S，ZACKSENHOUSE M.A blind deconvolution separation of multiple sources， with application to bearing diagnostics［J］.Mechanical Systems＆Signal Processing，2005，19（6）：1181-1195．

HUANG C L，WAND C J.A GA-based feature selection and parameters optimization for support vector machines［J］.Expert Systems with Applications，2006，31（2）：231-240.

吉敏.基于PCA-SVM的轴承故障诊断研究［J］.电子设计工程，2019，27（17）：14-18．

JI Min.Research on bearing fault diagnosis based on PCA-SVM［J］.Electronic Design Engineering，2019，27（17）：14-18.

HE S M，LIU X G，WANG Y L，et al.An effective fault diagnosis approach based on optimal weighted least squares support vector machine［J］.Canadian Journal of Chemical Engineering，2017，95（12）：2357-2366.

TANG X L，ZHUANG L，CAI J，et al.Multi-fault classification based on support vector machine trained by chaos particle swarm optimization［J］.Knowledge-Based Systems，2010，23（5）：486-490.

张安安，黄晋英，卫洁洁，等.基于EMD-SVD与PNN的行星齿轮箱故障诊断研究［J］.机械传动，2018，42（12）：160-165.

ZHANG An'an，HUANG Jinying，WEI Jiejie，et al.Research on fault diagnosis of planetary gearbox based on EMD-SVD and PNN［J］.Journal of Mechanical Transmission，2018，42（12）：160-165.

VAPNIK V.Statistical learning theory［M］.New York：John Wiley，1998：10-12．

SMITH W A，RANDALL R B.Rolling element bearing diagnostics using the case western reserve university data：a benchmark study ［J］.Mechanical Systems and Signal Processing，2015，64/65：100-131.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进多尺度均值排列熵和参数优化SVM的齿轮箱故障诊断方法

基于时间子序列的轴承特征提取方法

基于AO-VMD和IAO-SVM的齿轮箱故障诊断

基于最大信息系数的动态加权特征融合的齿轮箱故障诊断

基于ALIF-PE-GOLSSVM的齿轮箱故障诊断