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：1123 查看PDF文档

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.