典型文献
基于改进VMD和APSO-SVM的高速列车轴承故障诊断
文献摘要：
针对高速列车轮对轴承故障信息微弱难以提取的问题,提出一种结合变分模态分解(Variational mode decomposition,VMD)和粒子群算法参数优化支持向量机(Adaptive Particle Swarm Optimization-Support Vector Machine,APSO-SVM)的高速列车轴承振动信号故障特征提取和识别模型.为了避免k值选取不合理而导致VMD欠分解和过分解,文章从能量熵变化率趋势的角度出发,提出了 VMD分解层数k的选择原则,然后将VMD分解获得的故障特征输入支持向量机(SVM)中进行不同轴承故障的识别.试验结果表明,传统的SVM对滚动体故障和复合类型故障诊断效果较好,但对保持架故障的诊断效果相对较差.因此,利用自适应的粒子群优化算法(APSO)对SVM的核心参数进行优化,从而进一步改善对保持架故障的识别精度,实现了对多种常见高速列车轮对轴承故障的有效识别.
文献关键词：
高速列车;变分模态分解;参数优化;粒子群算法;轮对轴承;故障诊断
中图分类号：
作者姓名：
张青松;张兵;秦怡
作者机构：
西南交通大学牵引动力国家重点实验室,四川成都 610031
文献出处：
引用格式：
[1]张青松;张兵;秦怡-.基于改进VMD和APSO-SVM的高速列车轴承故障诊断)[J].机车电传动,2022(01):31-36
A类：
B类：
VMD,APSO,高速列车轴承,轴承故障诊断,车轮,轮对轴承,故障信息,微弱,变分模态分解,Variational,mode,decomposition,粒子群算法,算法参数优化,优化支持向量机,Adaptive,Particle,Swarm,Optimization,Support,Vector,Machine,轴承振动,振动信号,故障特征提取,识别模型,能量熵,熵变,分解层数,选择原则,同轴,滚动体,诊断效果,保持架,粒子群优化算法,核心参数,识别精度
AB值：
0.32517
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。
