基于NGA优化SVM的滚动轴承故障诊断EI北大核心CSCD

支持向量机(SVM)的分类性能受样本的特征以及SVM本身参数的选择影响较大。针对这种情况,基于Shannon能量熵、SVM和小生境遗传算法(NGA),提出了一种基于NGA优化SVM的滚动轴承故障诊断方法。该方法采用容错性强的Shannon能量熵作为特征参数,对信号进行EMD分解提取出前3个IMF分量作为特征信号,分别计算其Shannon能量熵作为特征向量得到样本集,作为多类别SVM的输入。在用样本训练SVM时,构造一种新的核函数,并采用NGA对SVM的核函数参数进行全局优化,使SVM获得最佳的分类性能,提高其分类识别的正确率。最后采用凯斯西储大学的滚动轴承故障样本进行了分类识别,并与其他几种方法进行了对比,结果表明该方法具有更好的可靠性和分类准确率。