基于混合域特征优选与DEGWO-SVM的滚动轴承故障诊断

针对混合域特征存在冗余,且灰狼算法(GWO)优化支持向量机(SVM)模型易陷入局部最优的问题,以自适应局部迭代滤波(ALIF)和拉普拉斯评分(LS)构建特征空间,并重点通过差分进化(DE)策略改进GWO-SVM实现滚动轴承故障状态的准确识别.首先用ALIF将轴承振动信号分解为若干模态,并通过LS从时域、频域和时频域特征中提取出低维特征;然后引入DE策略以提高GWO的全局与局部搜索性能,避免自适应SVM陷入局部最优;最终通过基于DEGWO的自适应SVM模型来提高轴承故障诊断精度.与主成分分析(PCA)相比,LS低维特征的诊断精度得到提升,冗余问题得到改善.与GWO-SVM相比, DEGWO-SVM的诊断精度提高了10.56％,表明引入的差分进化策略有效提高了GWO的搜索性能,且自适应SVM的诊断精度显著提高.