ScholarMate
English简体中文繁體中文
客服热线:400-1616-289
登录注册
期刊论文

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; 刘德胜佳木斯大学
Journal of Electronic Measurement and Instrument2019DOI: 10.13382/j.jemi.B1902206
12阅读
引用收藏
分享

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)
相关
加载中…
  • 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.
查看全部 →

发表信息

论文状态
公开发表
期刊
Journal of Electronic Measurement and Instrument
发表日期
2019
卷期
第 10 期
页码
104-111
DOI
10.13382/j.jemi.B1902206
期刊收录
CAST-E
成果收录
CHINAJOURNAL
资助标注
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;

作者

  • 史

    史庆军 (第一作者)

  • 郭

    郭晓振

查看全部 3 位作者收起作者
  • 刘

    刘德胜

登录解锁更多功能

  • 收藏这篇,随时在“我的 · 收藏”找回
  • 认领你的成果,生成推广素材
  • 关注作者获取最新成果
  • 加入项目组、协同写作
注册 / 登录

产品服务

  • 科研之友
  • 创新城
  • 科创云

服务支持

  • 帮助中心
  • 隐私政策
  • 服务条款

联系方式

在线客服:【】
客服热线:400-1616-289
电子邮箱:support@scholarmate.com

关注或下载科研之友

微信二维码
微信公众号
客户端下载二维码
下载客户端
科研成果科研人员科研机构科研动态爱瑞思软件

©2026 深圳市科研之友网络服务有限公司

公安备案图标粤公网安备 44030502000213
粤ICP备 16046710 号粤B2-20110417