典型文献
基于自适应VMD-KPCA特征提取与SSA-SVM方法的滚动轴承故障诊断
文献摘要：
为降低滚动轴承故障特征维度,更好地选取算法参数,提高故障诊断率,提出了 自适应VMD-KPCA特征提取与SSA-SVM相结合的滚动轴承故障诊断方法.首先,利用飞鼠搜索算法(SSA)对VMD中分解层数k和惩罚因子α的最优组合进行寻优,形成自适应的VMD对振动信号进行分解;其次,利用SSA对SVM中核函数参数g和惩罚因子c进行寻优,构建了 SSA-SVM故障诊断模型;最后,对利用自适应VMD分解出的时域、频域、能量熵等IMF分量的故障特征进行计算,并经KPCA降维后输入SSA-SVM模型中,与多种故障诊断模型进行仿真对比分析.结果表明,SSA-SVM从适应度、准确率、运行时间上,都具有优越性;同时将用KPCA降维与未降维的SSA-SVM进行对比,证明用KPCA降维的SSA-SVM 虽牺牲了少量准确率,却换取了运行时间上的大幅度提高.
文献关键词：
变分模态分解;飞鼠搜索算法;核主成分分析;支持向量机;故障诊断;多域故障特征
中图分类号：
作者姓名：
张天瑞;李金洋
作者机构：
沈阳大学机械工程学院,辽宁沈阳 110044
文献出处：
引用格式：
[1]张天瑞;李金洋-.基于自适应VMD-KPCA特征提取与SSA-SVM方法的滚动轴承故障诊断)[J].机械设计,2022(07):63-73
A类：
飞鼠搜索算法,多域故障特征
B类：
VMD,KPCA,SSA,滚动轴承故障诊断,算法参数,诊断率,故障诊断方法,分解层数,惩罚因子,最优组合,振动信号,核函数,函数参数,故障诊断模型,解出,频域,能量熵,IMF,仿真对比,适应度,运行时间,未降,换取,大幅度提高,变分模态分解,核主成分分析
AB值：
0.211915
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
