基于特征量融合和支持向量机的轴承故障诊断

作者：史庆军; 郭晓振; 刘德胜

来源：Journal of Electronic Measurement and Instrument, 2019, (10): 104-111.

DOI：10.13382/j.jemi.B1902206

• 轴承故障
• 经验模态分解
• 能量熵
• 支持向量机 bearing fault
• empirical mode decomposition(EMD)
• energy entropy
• support vector machine(SVM)

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。

• 单位
  佳木斯大学