论文部分内容阅读
摘要:为有效提取非平稳特性的滚动轴承振动信号特征，提高故障诊断效率，提出一种采用集介经验模态分解(EEMD).Hilbert变换的特征提取方法，并利用烟花算法(FWA)优化支持向量机(SVM)分类参数的滚动轴承故障诊断方法。通过EEMD方法将目标信号分解成若十个模态函数，采取Hilbert变换获取模态函数的瞬时频率，并对模态函数及其瞬时频率进行统计特征提取，从而实现特征的有效降维;为提高SVM识别效率，提出利用收敛性能好、准确率高的烟花算法优化SVM参数实现多分类故障诊断。实例证明，信号经过EEMD Hilbert处理后特征能有效提取，将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%，比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右，同时收敛时间更短，验证了该算法模型的可行性与有效性。