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。
学科与关键词
关键词
轴承故障经验模态分解能量熵支持向量机 bearing faultempirical mode decomposition(EMD)energy entropysupport vector machine(SVM)
- 基于经验模态分解和主成分分析的滚动轴承故障诊断研究汪朝海; 蔡晋辉; 曾九孙计量学报, 2019, (06): 1077-1082.
- 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.
