Print

基于特征量融合和支持向量机的轴承故障诊断

论文摘要

为了准确地检测轴承故障,提出了基于经验模态分解(EMD)和局部均值分解(LMD)轴承振动信号相结合构成特征量矩阵的方法。首先对轴承振动信号进行EMD分解得到前三阶本征模态函数(IMF)分量的上下包络值矩阵的奇异值,通过LMD分解,得到各PF分量的能量熵和,然后将奇异值和能量熵融合成一个特征向量矩阵,最后用支持向量机多分类算法进行分类。经过实验仿真验证,滚动轴承滚珠、内圈和外圈故障识别的准确率为90%,与单一特征量作为支持向量机的诊断输入来比较,该方法能更加精准地识别出了轴承故障。

论文目录

  • 0 引 言
  • 1 EMD算法和LMD算法简介
  •   1.1 EMD算法
  •   1.2 LMD算法
  •     1)LMD的分解过程
  •     2)LMD能量熵
  • 2 多分类支持向量机（SVM）
  •   2.1 多分类SVM原理
  •   2.2 预测过程
  • 3 滚动轴承故障提取步骤
  • 4 实验分析与结果
  • 5 结 论

    • 文章来源

    类型: 期刊论文

    作者: 史庆军,郭晓振,刘德胜

    关键词: 轴承故障,经验模态分解,能量熵,支持向量机

    来源: 电子测量与仪器学报 2019年10期

    年度: 2019

    分类: 信息科技,工程科技Ⅱ辑

    专业: 机械工业

    单位: 佳木斯大学信息电子技术学院

    基金: 黑龙江省留学归国人员基金(LC2017027),佳木斯大学科技创新团队建设项目(CXTDPY-2016-3)资助

    分类号: TH133.3

    DOI: 10.13382/j.jemi.B1902206

    页码: 104-111

    总页数: 8

    文件大小: 434K

    下载量: 212

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/58f5bd46d0bf4727c0673abf.html