基于ELMD与改进SMSVM的机械故障诊断方法

论文摘要

机械振动信号携带大量重要的机械状态信息,然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此,从振动信号抽取和选择有效的机械故障特征、提高故障识别性能,成为机械故障诊断研究的热点。针对上述问题,本文提出了基于集成局部均值分解(Ensemble local means decomposition,ELMD)与改进的稀疏多尺度支持向量机(Sparse multiscale support vector machine,SMSVM)的机械故障诊断方法。该方法首先使用自适应非线性、非平稳信号处理方法 ELMD把多模态调制故障信号分解成为多个单模态解调信号,有效地增强了故障特征。把压缩感知和多尺度分析技术融合于故障模式分类中,提出改进SMSVM旋转机械故障识别方法,提高多类机械微弱故障数据模式识别性能。该方法融合稀疏表示、多尺度分析和SVM的优点,无需求解复杂的优化问题,易于推广至更多尺度SVM,具有计算量少、泛化性与鲁棒性好、物理意义明显等优点。人工数据和实验设备数据验证了本文算法的优越性。

论文目录

• 1 集成局部均值分解
• 2 改进的稀疏多尺度支持向量机
•   2.1 改进SMSVM回归算法
•   2.2 改进SMSVM的多分类算法
• 3 仿真实验
• 4 结论

文章来源

类型: 期刊论文

作者: 任世锦,潘剑寒,李新玉,徐桂云,巩固

关键词: 集成局部均值分解,稀疏表示,机械故障诊断,多尺度支持向量机

来源: 南京航空航天大学学报 2019年05期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 机械工业

单位: 江苏师范大学计算机学院,中国矿业大学机电工程学院

基金: 国家自然科学基金（61703187）资助项目

分类号: TH17

DOI: 10.16356/j.1005-2615.2019.05.016

页码: 693-703

总页数: 11

文件大小: 1993K

下载量: 91