基于人工蜂群算法的改进轴承故障检测策略
信号处理
2021-12-03 v2
摘要
轴承的运行状态直接影响旋转机械的性能，如何从原始振动信号中准确果断地提取特征并尽早识别故障部位十分关键。本研究引入了已被证明在特征选择中有效的一维三元模型，并提出 shapelets 变换来计算其参数（即变换后 shapelets 的标准差，该参数通常通过试错法选取）。此外，使用 XGBoost 从所得特征中识别故障，并提出一种改进的人工蜂群算法（ABC），其演化由不同搜索空间的重要性指标引导，以优化 XGBoost 的参数。此处重要性指标的取值与特定空间中最优解的概率相关，从而可避免传统 ABC 易陷入局部最优的问题。基于故障振动信号样本的实验结果表明，故障信号识别的平均准确率可达 97%，远高于其他提取策略对应的准确率，从而提升了提取能力。并且采用改进的人工蜂群算法优化 XGBoost 参数后，与传统分类策略相比分类准确率可从 97.02% 提升至约 98.60%。
引用
@article{arxiv.2112.00447,
title = {An improved bearing fault detection strategy based on artificial bee colony algorithm},
author = {Haiquan Wang and Wenxuan Yue and Shengjun Wen and Xiaobin Xu and Menghao Su and Shanshan Zhang and Panpan Du},
journal= {arXiv preprint arXiv:2112.00447},
year = {2021}
}