基于粒子群优化支持向量机的回转支承寿命状态识别.docVIP

基于粒子群优化支持向量机的回转支承 寿命状态识别 陆超，陈捷，洪荣晶，封杨? ?收稿日期：2014-10-23 基金项目：国家自然科学基金(；2014年度高校“青蓝工程” 作者简介：陆超(1990-)，男，江苏扬州人，硕士，主要研究方向为回转支承寿命预测；陈捷( 联系人)，教授，E-mail：820967156@. （南京工业大学机械与动力工程学院，江苏 南京 211800） 摘要：回转支承已在工程机械和风力发电等方面得到广泛应用。为了对其健康状态做出正确判断，本文采用经粒子群算法优化的支持向量机模型来对其寿命状态做出准确识别。寿命状态识别的关键问题是特征向量的提取。为了得到有效而又全面的寿命状态信息，从时域和时频域方面提取多个特征向量进行综合分析，从而实现了小样本数据下信息的最大挖掘。最后以回转支承全寿命实验对该方法进行检验，结果表明该模型的效果优于传统的支持向量机以及单变量模型，具有实际工程应用价值。 关键词：回转支承；支持向量机；粒子群；寿命状态识别 中图分类号：TH17 ; TP18 文献标志码：A Slewing bearing?life?state?recognition based on support?vector machine optimized by particle swarm LU Chao, CHEN Jie, HONG Rongjing, FENG Yang (College of Mechanical and Power Engineering, Nanjing Tech University, Nanjing 211800, China) Abstract: Slewing bearing?has been widely used in?engineering machinery?and wind power. In order to?make the right judgments on?their health status,?the support vector machine optimized by particle swarm algorithm?model was proposed to make?an accurate identification of?the life?state.?The key?problems of life?state recognition?is the feature?vector extraction. In order to get an effective and comprehensive life?state information of slewing bearing, multiple-feature?vectors from?time domain and time frequency domain were been extracted, only in this way can the information under small sample be extracted as much as possible. Finally,?the slewing bearing?life?experiments were used to test the model. The results demonstrated that the proposed model is better than the traditional SVM and univariate model, so it can be applied in the practical engineering. Key words: Slewing bearing; Support?vector machine; Particle swarm optimization; Life?state recognition 回转支承已在工程机械和风力发电等方面得到广泛应用。一旦失效，将会影响机械装备的正常运行，并导致严重的经济损失和安全事故。鉴于此，有必要研究出一种评估回转支承当前寿命状态的技术，能够在设备出现早期故障前，就对其寿命状态进行估计，并在此基础上合理安排维护与检修，尽可能降低企业的经济损失和人员伤亡，具有重要意义。 回转支承寿命状态的估计一直是国内外学者研究的热点，其中的关键是如何获取能够正确反映其寿命状态的特征向量。研究发现，时域的均方根RMS[1]被较多学者选用为寿命判定时的特征向量。但是，单纯采用某一个特征向量往往不能完全表征寿命退化演变的趋势，特别是对于特征信息微弱的回转支承来说，如果仍然像普通轴承一样利用单个特征进行建模分析，必定