典型文献
基于MFCC特征和GWO-SVM的托辊故障诊断
文献摘要：
针对目前带式输送机托辊故障诊断方法存在接触式测量、准确率低、井下大范围检测困难等问题,提出了一种基于MFCC特征和参数优化SVM的托辊故障诊断方法.利用变分模态分解(VMD)将采集到的托辊声音信号分解为若干本征模态分量(IMF),并基于包络熵和峭度组成的复合指标优选IMF分量;提取所选分量的梅尔倒频谱系数(MFCC)作为特征,利用灰狼优化算法(GWO)优化SVM参数;将样本特征向量输入GWO-SVM中进行故障分类.结果表明:对于正常托辊、托辊内圈故障、托辊外圈故障、托辊卡死4种工况,该方法故障识别平均准确率在95％以上.与单一指标相比,复合指标提取的IMF分量故障特性代表性更好;与其他优化算法相比,该方法的识别准确率更高,分类速度更快.
文献关键词：
声音信号;梅尔频率倒谱系数(MFCC);托辊;灰狼算法;故障诊断
中图分类号：
作者姓名：
贺志军;李军霞;张伟;樊文瑞;李振华
作者机构：
太原理工大学机械与运载工程学院,山西太原030024;山西省矿山流体控制工程技术研究中心,山西太原030024;矿山流体控制国家地方联合工程实验室,山西太原030024;立博重工科技股份有限公司,山东泰安271000
文献出处：
引用格式：
[1]贺志军;李军霞;张伟;樊文瑞;李振华-.基于MFCC特征和GWO-SVM的托辊故障诊断)[J].机床与液压,2022(15):188-193
A类：
B类：
MFCC,GWO,托辊故障,带式输送机,故障诊断方法,接触式测量,井下,变分模态分解,VMD,声音信号,信号分解,本征模态分量,IMF,包络熵,峭度,复合指标,指标优选,灰狼优化算法,样本特征,特征向量,故障分类,内圈,外圈,卡死,故障识别,平均准确率,单一指标,故障特性,识别准确率,梅尔频率倒谱系数,灰狼算法
AB值：
0.336189
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。
