基于Volterra级数和SVM的旋转机械故障诊断方法研究  

FAULT DIAGNOSIS METHOD OF ROTATING MACHINERY BASED ON VOLTERRA SERIES AND SVM

作　　者：李志农[1] 蒋静[2] 赵匡[2] 肖尧先[1] 邬冠华[1] 

机构地区：[1]南昌航空大学无损检测技术教育部重点实验室,南昌330063 [2]郑州大学机械工程学院,郑州450001

出　　处：《机械强度》2012年第5期633-637,共5页Journal of Mechanical Strength

基　　金：国家自然科学基金(50775208,51075372);河南省教育厅自然科学基金(2006460005,2008C460003);湖南省机械设备健康维护重点实验室开放基金(200904);江西省研究生教育创新基地基金资助~~

摘　　要：提出一种基于Volterra级数和支持向量机的旋转机械故障诊断方法。该方法首先利用量子粒子群优化算法辨识出正常、转子碰摩、转子裂纹、基座松动四种状态下的Volterra核,分别利用一阶Volterra核和前三阶Volterra核作为特征向量,然后将这些特征向量输入到SVM(support vector machine)分类器中进行识别。实验结果表明,提出的方法是有效的,当利用一阶Volterra核作为特征向量难以区分故障时,可以利用更高阶的Volterra核作为特征向量来区别,这些体现出所提出方法在旋转机械故障诊断中独特的优势。A new fault diagnosis method of rotating machinery based on Voherra series and support vector machine （SVM） is proposed. In the proposed method, the Volterra kernels are identified in the four conditions, i.e. normal, rotor crack, rotor rub, and pedestal looseness, by the quantum particle swarm optimization （QPSO） algorithm. Then the first order Voherra kernels and front three order Voherra kernels are respectively input into the SVM classifier for training. The experiment result shows that the proposed method is effective. When the type of fault is hardly distinguished with the first order Volterra kernels, the higher-order Volterra kernels can be used for classification. The proposed method has obvious predominance in the fault diagnosis of rotating machine.

关 键 词：VOLTERRA级数 支持向量机(support vector machine SVM) 量子粒子群优化(quantum particle swarm optimization QPSO) 故障诊断 

分 类 号：TH17[机械工程—机械制造及自动化] TP277[自动化与计算机技术—检测技术与自动化装置]