灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用
胡璇1
李春2
叶柯华1
1.上海理工大学能源与动力工程学院,上海2000932.上海理工大学能源与动力工程学院,上海200093;上海市动力工程多相流动与传热重点实验室,上海200093
摘要：针对风力机齿轮箱振动信号非线性和非平稳性的特征,提出基于模糊熵(Fuzzy Entropy,FE)和灰狼算法优化(Grey Wolf Optimizer,GWO)的支持向量机(GWO Support Vector Machine,GWO-SVM)的故障诊断方法.通过集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)对振动信号进行分解得到若干本征模态函数(Intrinsic Mode Function,IMF)分量;求取各状态IMF分量的模糊熵并构建特征向量;将各特征向量输入GWO-SVM模型进行故障识别及分类.结果 表明:齿轮箱振动信号不同状态下的模糊熵有一定区分度,通过GWO-SVM能对其进行精确识别和分类,且GWO-SVM相对于粒子群优化(Particle Swarm Optimization,PSO)SVM模型和遗传算法(Genetic Algorithm,GA)优化SVM模型具有更短的运行时间和更高准确率,平均准确率高达92.5％.
关键词：风力机齿轮箱故障诊断集合经验模态分解灰狼算法优化支持向量机模糊熵
分类号：TH133.3(机械零件及传动装置)
资助基金：国家自然科学基金(51976131)国家自然科学基金(51676131)上海市科技创新行动计划地方院校能力建设项目(19060502200)
论文发表日期：2021-10-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：9( 1026-1034 )
英文信息