文件大小：1.34M
摘要：轴承在低转速工况下，容易出现轴承故障的微弱信号和强信号难以分离的情况，从而导致其故障的诊断精度较低，为此，提出了一种局域均值分解（LMD）下基于Levy飞行改进量子粒子群（LQPSO）优化最小二乘支持向量机（LSSVM）的轴承故障诊断方法。首先，对采集得到的数据进行了LMD分解，并利用相关系数法进行了信号筛选重构，计算了重构信号的分段能量熵，构成了故障诊断特征向量；然后，针对Levy飞行的随机跳跃改进量子粒子群优化算法，解决了其容易陷入局部收敛的问题，并将其用于搜索LSSVM的最优核参数，克服了人为设定核参数不精确、效率低等缺点，建立了基于改进量子粒子群优化最小二乘支持向量机的LQPSO-LSSVM模型；最后，将该LQPSO-LSSVM诊断方法应用到轴承故障诊断中，对其有效性进行了验证。研究结果表明：该方法在复杂工况下的诊断精度达95%以上，较传统PSO?LSSVM和QPSO?LSSVM得到了明显的提高，具备优异的故障分类精度和诊断鲁棒性。该方法为低转速工况下的轴承故障诊断提供了一种有效的解决方案。
文章目录
0 引 言
1 LMD信号分解和特征提取
1.1 LMD信号分解和重构
1.2 特征提取
2 基于LQPSO-LSSVM的轴承故障诊断模型
2.1 量子粒子群
2.2 莱维飞行改进量子粒子群（LQPSO）
2.3 最小二乘支持向量机（LSSVM）
2.4 基于LQPSO-LSSVM的轴承故障诊断模型
3 实验及结果分析
4 结束语
