摘要
针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。
学科与关键词
关键词
计量学滚动轴承故障诊断经验模态分解主成分分析特征提取 metrologyrolling bearingfault diagnosisempirical mode decompositionprincipal component analysisfeature extraction
- 基于特征量融合和支持向量机的轴承故障诊断史庆军; 郭晓振; 刘德胜Journal of Electronic Measurement and Instrument, 2019, (10): 104-111.
- 基于优化集合EMD的滚动轴承故障位置及性能退化程度诊断方法王玉静; 姜义成; 康守强; 杨广学; 陈艳娜仪器仪表学报, 2013, (08): 1834-1840.
- 基于EMD和VPMCD的滚动轴承故障诊断张健; 张子阳; 起雪梅; 刘小英机械设计, 2019, S2: 91-94.
