结合PSO-OEWOA和MKSVDD的轨道车辆轴承性能退化评估

为了有效评估轨道车辆轴承性能退化程度，提出一种结合反向指数的鲸鱼粒子群混合算法(PSO-OEWOA)与多核支持向量数据描述(MKSVDD)相结合的滚动轴承性能退化评估方法。针对滚动轴承样本数据结构复杂，样本数据分布不均匀导致SVDD分类不够准确的问题，对SVDD模型的核函数进行改进，构造多核核函数提高支持向量数据描述的学习能力和泛化能力；然后针对MKSVDD中多参数选择盲目的问题，结合粒子群算法收敛速度快和鲸鱼算法探索能力强的优点，利用反向指数的鲸鱼算法迭代融合PSO算法对MKSVDD的参数进行寻优，从而避免优化算法早熟收敛和陷入局部最优。将轴承正常状态样本特征向量看作训练数据，同时将MKSVDD模型的准确率作为PSO-OEWOA的适应度函数，构建PSOOEWOA-MKSVDD评估模型，利用正常数据训练的MKSVDD的超球体半径作为健康报警阈值确定轴承的退化。通过轴承全寿命数据对模型进行训练和测试。研究结果表明：MKSVDD模型在轴承初始性能退化时评估敏感性比SVDD模型更优，而且相较于SVDD模型，在中度性能退化时的稳定性也更优。最后对采集的牵引电机轴承的振动数据进行退化分析，结果与...