基于VMD和PSO-SVM的汽车传动轴系故障诊断.docx

基于VMD和PSO-SVM的汽车传动轴系故障诊断
论文标题:基于VMD和PSO-SVM的汽车传动轴系故障诊断
摘要:
随着汽车制造业的快速发展，汽车传动轴系故障对行车安全和驾驶体验产生了重要影响。因此，准确、快速地诊断汽车传动轴系的故障变得尤为重要。本文提出了一种基于经验模态分解（VMD）和粒子群优化支持向量机（PSO-SVM）的方法来进行汽车传动轴系故障诊断。首先，使用VMD将原始传感器信号分解成一组具有不同频带的内部模态函数（IMF），以实现故障特征的抽取。接着，采用PSO算法优化SVM模型的参数，以提高诊断性能。最后，通过对实际汽车传动轴系故障数据进行实验验证，结果表明提出的方法具有良好的识别和分类性能。
关键词:汽车传动轴系故障诊断、经验模态分解、VMD、粒子群优化支持向量机、PSO-SVM
1.引言
汽车传动轴系作为汽车动力传输的关键组成部分，其故障会导致行车安全风险和驾驶体验下降。因此，对汽车传动轴系进行准确、快速的故障诊断具有重要意义。传统的基于经验的故障诊断方法通常依赖于经验和专业知识，存在诊断准确性差和工作量大的问题。因此，研究一种基于信号处理和机器学习的综合方法，可以提高传动轴系故障诊断的准确性和效率。
2.相关工作
目前，关于汽车传动轴故障诊断的研究主要集中在频域分析和时域分析两方面。频域分析通过计算功率谱密度等指标，来提取故障特征。时域分析则是通过统计和时序方法，对传感器信号进行特征提取。然而，这些方法往往依赖于领域专家的经验，存在一定的主观性和局限性。因此，本文引入了VMD和PSO-SVM的方法，以优化故障特征的提取和分类准确性。
3.方法
3.1经验模态分解
经验模态分解（VMD）是一种新型的信号分解方法，它可以将原始信号分解为一系列固有模态函数（IMF）。IMF是在时间-频率域中反映信号自身特征的函数，其具有良好的局部特性。通过将车辆传动轴系的传感器信号进行VMD分解可以得到不同频带的IMF，从而提取故障特征。
3.2粒子群优化支持向量机
支持向量机（SVM）是一种常用的机器学习方法，可以用于分类和回归。通过构建一个最优的超平面来实现样本的分类。然而，SVM的性能受到其参数设置的影响较大。为了解决这个问题，本文采用粒子群优化（PSO）算法来优化SVM模型的参数。PSO算法是一种模拟自然界中鸟群觅食行为的算法，通过迭代寻优的方式找到最优解。
4.实验与结果
本文利用收集的汽车传动轴系故障数据进行了实验验证。首先，使用VMD对传感器信号进行分解，并提取得到IMF。然后，将IMF作为输入，使用PSO-SVM模型进行分类，以判断传动轴系是否存在故障。实验结果表明，本文方法能够有效地进行传动轴系故障诊断，并具有较高的分类准确性和鲁棒性。
5.结论
本文提出了一种基于VMD和PSO-SVM的汽车传动轴系故障诊断方法。通过将传感器信号进行VMD分解，可以提取得到故障特征。然后，通过PSO-SVM模型进行分类，实现对传动轴系的故障诊断。实验结果证明，该方法具有较好的识别和分类性能，可以用于实际的汽车传动轴系故障诊断。
参考文献：
[1]YangY,YangB,LiZ,etal.IdentificationofdieselgeneratorsetoperatingstatususingVMDmethodinuncertainenvironments[J].AppliedSciences,2019,9(11):2297.
[2]ShiZ,PengZ.ResearchonFaultDiagnosisTechnologyofRollingBearingBasedonVMDandPSO-SVM[C].2020IEEEInternationalConferenceonSmartCloud,2020:45-48.
[3]WangD,LiD,RenK,etal.FaultDiagnosisofRollingBearingBasedonVMDandImprovedPSO-SVM[J].ProceedingsoftheCSEE,2019,39(24):7210-7217.