摘要：为了提高机械关键设备故障诊断的精度，建立机械关键设备故障诊断模型。文章提出一种融合机械关键设备故障信号多特征信息与灰狼优化算法(Grey Wolf Optimization Algorithm，GWO)改进支持向量机(Support Vector Machine，SVM)(GWO-SVM)的机械关键设备故障诊断模型。首先，提取机械关键设备故障信号的时域特征、频域特征和多尺度加权排列熵特征，分别对比不同特征的机械关键设备故障诊断结果。其次，为提高SVM模型性能，运用GWO算法对SVM模型的惩罚参数P和核函数参数g进行优化选择，提出一种融合多特征信息与GWO-SVM的机械设备故障诊断模型。与GA-SVM、PSO-SVM和SVM相比，基于GWO-SVM的机械设备故障诊断模型的诊断精度最高。本文算法可以有效提高机械关键设备故障诊断正确率，为机械关键设备故障诊断提供了新的方法。
文章目录
1 引言
2 多特征信息
2.1 时域特征
2.2 频域特征
2.3 多尺度加权排列熵特征
3 研究方法
3.1 GWO算法
3.1.1包围行为
3.1.2捕猎行为
3.1.3攻击行为
3.2 SVM模型
3.3 机械关键设备故障诊断模型
4结果与分析
4.1 信号采集与样本数据
4.2 评价指标
4.3 结果分析
4.4不同模型比较
5 结论
