基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断

论文摘要

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。

论文目录

• 1 基本理论
•   1.1 变分模态分解算法基本原理
•     1.1.1 变分模型的建立
•     1.1.2 VMD算法的基本流程
•   1.2 能量熵算法原理
•   1.3 样本熵算法原理
•   1.4 粒子群优化的支持向量机
•     1.4.1 支持向量机的原理
•     1.4.2 粒子群优化算法原理
•     1.4.3 PSO-SVM算法的实现步骤
• 2 基于VMD多特征融合及PSO-SVM轴承故障诊断
• 3 VMD算法中关键参数的选取
•   3.1 模态个数的选取
•   3.2 惩罚参数的选取
• 4 轴承故障诊断
•   4.1 VMD熵特征提取分析
•   4.2 PSO-SVM故障识别
• 5 结 论

文章来源

类型: 期刊论文

作者: 张龙,宋成洋,邹友军,崔路瑶,雷兵

关键词: 变分模态分解,样本熵,支持向量机,粒子群算法,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

专业: 机械工业

单位: 华东交通大学机电与车辆工程学院

基金: 国家自然科学基金及(51665013),江西省自然科学基金(20161BAB216134,20171BAB216030)资助项目

分类号: TH133.33

DOI: 10.13952/j.cnki.jofmdr.2019.0325

页码: 96-104

总页数: 9

文件大小: 2604K

下载量: 151