基于小波包shannon熵svm和遗传算法的电机机械故障诊断 motor mechanical fault diagnosis based on wavelet packet,shannon entropy,svm and ga.pdfVIP

第30卷第1期 电力自动化设备 V01．30No．1 PowerAutomation 2010年1月 E|eetrie Equipment Jan．2010囝 基于小波包Shannon熵SVM和遗传算法的 电机机械故障诊断 张亚楠1，魏武1，武林林2 (1．华南理工大学自动化科学与工程学院，广东广州510640； 2．西安交通大学能源与动力学院，陕西西安710049) 特征向量作为多类别SVM的输入．具有较高的去噪能力；在训练SVM时。与传统方法多采用试凑法选择参数 不同。该方法采用遗传算法对SvM的参数进行全局寻优．使SvM获得最佳的分类性能，具有更高的识别准确 率。采用凯斯西储大学提供的电机机械故障数据进行实验．结果证明该方法具有很好的可靠性和准确性。 关键词：电机：故障诊断；小波包：Shannon熵；支持向量机：遗传算法 中图分类号：TM307+．1；TP277文献标识码：A 和Liu采用小波包分析和人工神经网络提出了内燃 0引言 机故障诊断系统…。 Vector Machine)是在 旋转机械的状态一般可以通过对其振动信号和 支持向量机SVM(Support 声音信号的实时检测进行监控-1】。近年来研究人员 统计学习理论基础上发展出的一种模式识别方法． 采用了很多信号处理方法对机械系统进行信号采集． 能在样本数较少的情况下获得很好的分类推广能 力，它比人工神经网络有更好的泛化能力。对小样本、 比如时间同步均值法(time average)、基 synchronous 于频谱分析的快速傅里叶变换(FFT—based 非线性及高维模式识别问题更具有适用性[引．SVM spectrum 已在很多领域得到了广泛的应用。 anallvsis)。但是这些方法都是在频域进行分析的低分 辨率方法．不适合处理非平稳振动信号。而小波包分 遗传算法GA(GenetieAlgorithm)㈣借用了生物 析可以有效地处理非平稳振动信号．小波包分析[2】 遗传学的观点。通过自然选择、遗传、变异等作用机 可以在时一频域上对信号进行多分辨率分析．是机 制。实现各个个体适应性的提高。这一点体现了自然 械故障诊断可以采取的有效的信号处理方法．2007界中“物竞天择、适者生存”的进化过程。SVM的性 年Ocaka、Loparob和Discenzoc利用小波包分析和 能很大程度上取决于其参数的选择合适与否．将GA HMM模型Ⅲ对轴承故障进行跟踪检测。2008年Wu 应用于SVM的参数调整．可以自适应的将参数调至 收稿日期：2009—08—15；修回日期：2009—09—04最优值．使SVM表现出最佳的性能。 three．1evelAC／ACconverter ImprovedZeta,．tvpe LI Lei，DUHongji，ZHANGQian Junjie，L1