《机电工程》杂志,月刊( 详细... )

中国标准连续出版物号 ISSN 1001-4551 CN 33-1088/TH
主办单位浙江省机电集团有限公司
浙江大学
主编赵 群
副 主 编唐任仲、罗向阳(执行主编)
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
国外发行中国国际图书贸易总公司
订阅全国各地邮局   国外代号M3135
国内发行浙江省报刊发行局
邮发代号32-68
广告发布登记证:杭上市管广发G-001号

在线杂志

当前位置: 机电工程 >>在线杂志

基于PSO-PNN与CV-SVM的旋转机械故障诊断研究

作者:龚永康,李雯,喻菲菲,等. 日期:2023-10-30/span> 浏览:347 查看PDF文档

基于PSO-PNN与CV-SVM的旋转机械故障诊断研究*
龚永康1,李雯2,喻菲菲3*,杜灿谊1,陈国燕3,刘利武1

(1.广东技术师范大学 汽车与交通工程学院,广东 广州 510665;2.广东技术师范大学 电子与信息学院,
广东 广州 510665;3.广东技术师范大学 机电学院,广东 广州 510665)


摘要:不同类型的旋转机械发生故障时会激发出不同特征的振动信号。针对旋转机械故障点位判断难、复合故障判断不准确等问题,构建了概率神经网络(PNN)以及支持向量机(SVM)这两种人工智能模型,并采用该模型对旋转机械进行了故障识别研究。首先,采集了研究对象各故障状态下的振动信号,对振动信号的时域和频谱进行了分析,根据振动信号的特征表现,分别将原始振动信号幅值和振动信号特征值作为人工智能模型的输入向量;然后,利用粒子群算法(PSO)对概率神经网络的输入参数进行了优化,利用交叉验证法(CV)对支持向量机的输入参数进行了优化;最后,建立了概率神经网络和支持向量机故障诊断模型,对旋转机械故障进行了诊断,并对比分析了诊断结果。研究结果表明:基于PSO-PNN模型的旋转机械故障识别准确率在97%以上;基于CV-SVM模型的旋转机械故障识别准确率在98%以上;这两种人工智能方法在用于旋转机械故障诊断时具有速度快、准确率高的优点;其中,PSOPNN方法适用于旋转机械故障实时监测,CV-SVM方法适用于旋转机械复杂故障的识别。

关键词:转动机件;粒子群算法;概率神经网络;交叉验证法;支持向量机;故障识别准确率

中图分类号:TH133文献标识码:A文章编号:1001-4551(2023)09-1395-08

本文引用格式:

龚永康,李雯,喻菲菲,等.基于PSO-PNN与CV-SVM的旋转机械故障诊断研究[J].机电工程,2023,40(9):1395-1402.

GONG Yongkang, LI Wen, YU Feifei, et al. Research of rotating machinery fault diagnosis based on PSO-PNN and CV-SVM[J].Journal of Mechanical & Electrical Engineering, 2023,40(9):1395-1402.





友情链接

浙江机械信息网