排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
灰狼算法(GWO)作为新型寻优算法,可用于轴承故障诊断。提出了采用GWO优化代价敏感支持向量机(CS-SVM)的诊断模型。通过经验模态分解(EMD)及主成分分析(PCA)进行特征提取并实现特征的降维,GWO优化CS-SVM参数来提升故障分类的准确率。以西储大学轴承数据为例,将比例为4∶1的训练样本和测试样本带入GWO优化的CS-SVM模型,诊断测试的准确率为96.67%,相比于传统PSO算法的准确率有所提升,收敛速度更快,表明了GWO优化的CS-SVM具有优越性。由此可以得出,GWO可用于轴承故障诊断的研究,验证了该算法模型的有效性。 相似文献
2.
针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。 相似文献
1
