基于EMD重构和SVM的滚动轴承故障诊断方法研究  

作者:周小龙;杨恭勇;梁秀霞;李家飞 刊名:《东北电力大学学报》 上传者:陈武

【摘要】针对滚动轴承振动信号非平稳性和故障特征难以提取的问题,提出一种基于经验模态分解重构和支持向量机相结合的故障诊断方法。首先,采用经验模态分解,将滚动轴承振动信号分解成一系列固有模态函数;其次,根据伪固有模态函数剔除法选取对故障特征敏感的模态函数进行信号重构;最后,以重构信号的有效值和峭度值作为支持向量机分类器的输入来识别滚动轴承的工作状态和故障类型。试验结果表明,该方法能有效地识别和诊断出滚动轴承的运行状态和故障类型,具有很高的工程实用价值。

全文阅读

第 36 卷第 6 期 东 北 电 力 大 学 学 报 Vol. 36,No. 6 2016 年 12 月 Journal Of Northeast Dianli University Dec. ,2016 收稿日期: 2016-04-12 作者简介: 周小龙( 1987-) ,男,吉林省长春市人,东北电力大学工程训练教学中心助理实验师,硕士,主要研究方向: 机械制造与故障诊断. 文章编号:1005-2992( 2016) 06-0071-06 基于 EMD 重构和 SVM 的滚动轴承故障诊断方法研究 周小龙1 ,杨恭勇1 ,梁秀霞2 ,李家飞2 ( 1. 东北电力大学 工程训练教学中心,吉林 吉林 132012;2. 河南信宇石油机械制造股份有限公司,河南 濮阳 457001) 摘 要: 针对滚动轴承振动信号非平稳性和故障特征难以提取的问题,提出一种基于经验模态分解重构和支持向量机相结合的故障诊断方法。首先,采用经验模态分解,将滚动轴承振动信号分解成一系列固有模态函数; 其次,根据伪固有模态函数剔除法选取对故障特征敏感的模态函数进行信号重构; 最后,以重构信号的有效值和峭度值作为支持向量机分类器的输入来识别滚动轴承的工作状态和故障类型。试验结果表明,该方法能有效地识别和诊断出滚动轴承的运行状态和故障类型,具有很高的工程 实用价值。 关 键 词: 经验模态分解; 固有模态函数; 支持向量机; 滚动轴承; 故障诊断中图分类号: TH17; TH133. 33 文献标识码: A 滚动轴承是机械设备中的重要组成部件,它的工作状态将直接影响到机械设备的运行质量[1]。据统计,在旋转机械故障中有30%是由滚动轴承故障所引起的。当滚动轴承存在故障时,其振动信号往往表现出非平稳的时变特性[2],利用传统的平稳信号处理方法无法很难从该类信号中获得良好的分析 效果。 经验模态分解[3]( Empirical mode decomposition,EMD) 方法是近年来一种处理非线性和非平稳信号的有效方法。相较于其它传统时频分析方法,该方法能够根据信号的自身特点,将信号自适应地分解成 一系列固有模态函数( Intrinsic mode function,IMF) 和的形式,因此广泛应用于机械故障诊断领域[4-5]。有效值和峭度值是判别机械系统正常与否的重要指标,当机械系统中存在故障时,有效值和峭度值较正 常状态下的数值会发生较大变化。 由上述分析,本文提出一种基于 EMD 重构和支持向量机( Support Vector Machine,SVM) 的滚动轴承故障诊断方法。首先,利用 EMD 方法将滚动轴承振动信号分解成一系列 IMF; 其次,采用伪 IMF 分量判别法剔除对于故障信息不敏感的 IMF,并对敏感 IMF 分量进行信号重构; 最后,求出重构信号的有效值和峭度值指标,并将其作为 SVM 分类器的特征向量来识别滚动轴承的工作状态和故障类型。试验研究表明,该方法能有效应用于滚动轴承的故障诊断中。 1 EMD 方法 EMD 分解根据信号的自身特性将其分解成一系列 IMF,IMF 能够有效提取出信号的物理信息与本质特征。其中,每个 IMF 必须满足两个条件: ( 1) 在整个时间范围内,信号的局部极值点个数和过零点个数之差不超过 1 个; ( 2) 在任意时刻,由信号极值所形成的上、下包络线的均值为零,即上、下包络线关于时间轴对称。 EMD 方法分解信号 x( t) 的具体分解过程如下: ( 1) 找出信号 x( t) 中所有的局部极大值点和极小值点,运用三次样条

参考文献

引证文献

问答

我要提问