基于EEMD-SVD与SVM的轴承故障诊断

论文摘要

针对轴承振动信号具有非线性、非平稳性以及故障特征提取困难的问题,提出了一种基于EEMD-SVD与支持向量机的轴承故障诊断方法。首先,利用集成经验模态分解方法将轴承振动信号自适应地分解为多个本征模态函数分量。然后,根据峭度准则选取6个本征模态函数分量,并将其构成的矩阵进行奇异值分解得到特征向量。最后,将特征向量输入支持向量机进行故障诊断。利用凯斯西储大学的轴承数据进行了试验,并与BP神经网络进行了对比,结果验证了本文方法的有效性。

论文目录

• 1 基础理论
•   1.1 集成经验模态分解
•   1.2 奇异值分解
•   1.3 峭度
• 2 基于EEMD-SVD与SVM的轴承故障诊断方法
•   2.1 基于EEMD-SVD的特征提取
•   2.2 基于SVM的故障分类
• 3 试验验证
•   3.1 试验设置
•   3.2 实验结果
•   3.3 与BP神经网络的对比
• 4 结 论

文章来源

类型: 期刊论文

作者: 李东,刘广璞,黄晋英,张安安

关键词: 轴承,集成经验模态分解,奇异值分解,支持向量机,故障诊断

来源: 机械设计与研究 2019年06期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 机械工业,自动化技术

单位: 中北大学机械工程学院

分类号: TP181;TH133.3

DOI: 10.13952/j.cnki.jofmdr.2019.0329

页码: 123-127

总页数: 5

文件大小: 726K

下载量: 97