典型文献
基于GAPSO-SVM的多级齿轮箱故障诊断新方法
文献摘要：
多级齿轮箱是机械传动的重要部件,针对运行过程中的状态识别问题,研究并提出一种基于振动信号的小波包分解能量谱特征提取和支持向量机(support vector machine,SVM)的智能评估新方法.用小波包分解算法对振动信号进行分解,提取时频信号的能量谱构建多级齿轮箱状态特征集,训练SVM模型.针对SVM的惩罚因子C和高斯核参数g选择困难的问题,结合遗传算法(genetic algorithm,GA)和粒子群算法(particle swarm optimization,PSO)的基因粒子群算法(ge-netic algorithm-particle swarm optimization,GAPSO)优化SVM参数.GAPSO同时具有GA全局搜索的性能和PSO快速收敛特点.将优化后的SVM算法应用于多级齿轮箱故障诊断,结果表明,GAPSO-SVM模型故障识别精度为98.55％,高于基本的SVM、PSO-SVM和BP神经网络,而且泛化能力强,该方法更适合多级齿轮箱故障诊断.
文献关键词：
故障诊断;小波包分解能量谱;基因粒子群算法;支持向量机
中图分类号：
作者姓名：
杨秀芳;何亚鹏;徐雨达;邵伟
作者机构：
西安理工大学 机械与精密仪器工程学院,陕西 西安 710048
文献出处：
引用格式：
[1]杨秀芳;何亚鹏;徐雨达;邵伟-.基于GAPSO-SVM的多级齿轮箱故障诊断新方法)[J].西安理工大学学报,2022(04):519-525
A类：
小波包分解能量谱,基因粒子群算法
B类：
GAPSO,齿轮箱故障诊断,机械传动,状态识别,振动信号,谱特征,support,vector,machine,智能评估,时频信号,征集,惩罚因子,高斯核,核参数,genetic,algorithm,particle,swarm,optimization,全局搜索,快速收敛,算法应用,故障识别,识别精度,泛化能力
AB值：
0.221656
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。
