摘要：支持向量机（SVM）的分类性能受样本的特征以及SVM本身参数的选择影响较大。针对这种情况，基于Shannon能量熵、SVM和小生境遗传算法（NGA），提出了一种基于NGA优化SVM的滚动轴承故障诊断方法。该方法采用容错性强的Shan—non能量熵作为特征参数，对信号进行EMD分解提取出前3个IMF分量作为特征信号，分别计算其Shannon能量熵作为特征向量得到样本集，作为多类别SVM的输入。在用样本训练SVM时，构造一种新的核函数，并采用NGA对SVM的核函数参数进行全局优化，使SVM获得最佳的分类性能，提高其分类识别的正确率。最后采用凯斯西储大学的滚动轴承故障样本进行了分类识别，并与其他几种方法进行了对比，结果表明该方法具有更好的可靠性和分类准确率。

关键词：故障诊断 shannon能量熵 

单位：浙江师范大学精密机械研究所 金华321004