首页  |  期刊简介  |  期刊荣誉  |  编委会  |  现任主编  |  投稿指南  |  下载中心  |  期刊征订
中文核心期刊
Ei Compendex收录期刊
中国科学引文数据库来源期刊
中文科技期刊数据库收录期刊
国际刊号:1004-6801
国内刊号:32-1361/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中华人民共和国工业和信息化部
  • 主办:南京航空航天大学
  •           全国高校机械工程测试技术研究会
  • 国际刊号:1004-6801
  • 国内刊号:32-1361/V
  • 地址:南京市御道街29号
  • 电话:025-8489 3332
  • 传真:025-8489 3332
  • E-mail:qchen@nuaa.edu.cn
  • 邮编:210016
基于VMD和MRVM变负荷工况下的滚动轴承故障诊断
Fault Diagnosis of Rolling Bearing Under Variable Load Condition Based on Variable Mode Decomposition and Multi-class Relevance Vector Machine
  
DOI:10.16450/j.cnki.issn.1004-6801.2019.06.028
中文关键词:  变分模态分解  多分类相关向量机  改进混沌果蝇优化算法  嵌套一对一  二维边际谱熵  故障诊断
英文关键词:variable mode decomposition(VMD)  multi-class relevance vector machine (MRVM)  improved chaotic fruit fly optimization algorithm (ICFOA)  nested one-against-one  2-D marginal spectrum entropy  fault diagnosis
基金项目:国家自然科学基金资助项目 (61174106, 51975433, 51975430) ;国家自然科学基金青年科学基金资助项目(51707079,11703007);湖北省自然科学基金资助项目 (2019CFB133)
作者单位
徐波1,2,周凤星1,黎会鹏1,2,严保康1,刘毅2,3,严丹2 (1. 武汉科技大学信息科学与工程学院 武汉430081)(2. 黄冈师范学院电子信息学院 黄冈438000)(3. 华中科技大学机械科学与工程学院 武汉430074) 
摘要点击次数: 66
全文下载次数: 70
中文摘要:
      蝇优化算法的变分模态分解(variable mode decomposition,简称VMD)和基于嵌套一对一算法的多分类相关向量机(multi-class relevance vector machine,简称 MRVM)的智能诊断模型。首先,使用改进混沌果蝇优化算法(improved chaotic fruit fly optimization algorithm, 简称ICFOA)对VMD的本征模态函数(intrinsic mode function, 简称IMF)个数和惩罚参数进行优化,搜索两个参数的最优组合值;其次,使用最优组合参数值对VMD算法的关键参数进行设定,并对已知的故障信号进行分解获得相应的IMF分量;然后,使用嵌套一对一算法构造高精度的多分类RVM学习模型,将IMF分量的二维边际谱熵值作为MRVM的输入特征向量;最后,使用不同载荷下的实验数据进行验证。实验结果表明,所提出的方法能够准确地对变载荷工况下的轴承故障进行诊断,其中轴承故障类型的诊断精度为100%,轴承故障程度的诊断精度为91.87%,诊断精度较高,鲁棒性强。
英文摘要:
      In order to accurately and effectively diagnose bearing fault and its fault degree under the variable load conditions, variable mode decomposition (VMD) based on improved chaotic fruit fly optimization algorithm and multi-class relevance vector machine (MRVM) based on nested one to one algorithm is proposed. Firstly, the improved chaos fruit fly optimization algorithm(ICFOA) is used to optimize the penalty parameter and component numbers of intrinsic mode function (IMF) of the VMD, and search for the optimal combination of two parameters. Next, the key parameters of VMD are set by using the optimal combination parameter value, and the corresponding IMF components are obtained by decomposing the known fault signals. Then, the nested one-to-one algorithm is used to construct a high-precision multi-classification RVM learning model, and the 2-D marginal spectral entropy of IMF components are used as the input feature vector of MRVM. Finally, the experimental data under different loads are used to verify the results. The experimental results show that the proposed method can accurately diagnose bearing faults under variable load conditions, in which the diagnostic accuracy of bearing fault type is 100%, the diagnostic accuracy of bearing fault degree is 91.87%, and with high accuracy and robustness.
查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《振动、测试与诊断》

地址:南京市御道街29号        邮编:210016

电话:025-8489 3332      传真:025-8489 3332       E-mail:qchen@nuaa.edu.cn

您是本站第1954382位访问者 本站今日一共被访问82

技术支持:北京勤云科技发展有限公司