融合多特征信息与GWO-SVM的机械关键设备故障诊断

作     者：宋玲玲 王琳 钟丽 李晨曦 

作者机构：鲁东大学信息与电气工程学院 烟台职业学院电气与电子工程系 山东理工大学机械工程学院 

出 版 物：《机械设计与制造》 (Machinery Design & Manufacture)

年 卷 期：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：基金课题:山东省2021年度职业教育教学改革研究项目(编号:2021119) 

主　　题：时域特征 灰狼优化算法 支持向量机 频域特征 多尺度加权排列熵 

摘      要：为了提高机械关键设备故障诊断的精度，建立机械关键设备故障诊断模型。文章提出一种融合机械关键设备故障信号多特征信息与灰狼优化算法(Grey Wolf Optimization Algorithm，GWO)改进支持向量机(Support Vector Machine，SVM)(GWO-SVM)的机械关键设备故障诊断模型。首先，提取机械关键设备故障信号的时域特征、频域特征和多尺度加权排列熵特征，分别对比不同特征的机械关键设备故障诊断结果。其次，为提高SVM模型性能，运用GWO算法对SVM模型的惩罚参数P和核函数参数g进行优化选择，提出一种融合多特征信息与GWO-SVM的机械设备故障诊断模型。与GA-SVM、PSO-SVM和SVM相比，基于GWO-SVM的机械设备故障诊断模型的诊断精度最高。本文算法可以有效提高机械关键设备故障诊断正确率，为机械关键设备故障诊断提供了新的方法。