基于经验模态分解剩余信号能量特征的滚动轴承故障模式智能识别

发布时间：2021-12-02 09:43

　　针对滚动轴承故障模式识别问题,分析了振动信号的时域特征与经验模态分解剩余信号的能量特征,并将采集的特征一起构成了多域多类别的原始故障特征向量集,同时采用遗传算法对支持向量机径向基核函数参数和惩罚参数进行了寻优,提出了结合经验模态分解剩余信号能量特征的遗传算法优化支持向量机参数的滚动轴承故障模式识别方法。实验表明,给出的故障模式识别方法,对滚动轴承的外圈故障、内圈故障、滚动体故障及正常状态有很好的识别效果,具有较强的实用性,能够为滚动轴承故障的模式识别和智能诊断提供帮助。 

【文章来源】：燃气涡轮试验与研究. 2020,33(03)北大核心

【文章页数】：6 页

【部分图文】：

遗传算法优化支持向量机参数流程图

图1 遗传算法优化支持向量机参数流程图按照上文所述的经验模态分解剩余信号能量特征提取方法，将采集的四种类型振动数据进行分解，得到对应的剩余信号，再代入式(5)得到不同种类故障信号的EMD剩余信号能量分布，如图4所示。

由前文可知，支持向量机的高斯核函数参数σ和C对分类效果有较大的影响，为此采用遗传算法对二者进行优化。取群体规模为50，最大迭代次数为200，σ的取值范围为0.000 1～100,C的取值范围为0.1～100；采用交叉验证方式，交叉概率为0.9，变异概率为0.001；终止条件为满足最大迭代次数即200时停止进化。故障模式识别使用Libsvm3.1工具箱完成[18]。经计算，遗传算法参数寻优的最佳适应度达到99.3%，通过寻优做到的σ为0.000 1,C为99。测试的115个样本中，分类准确率达到97.35%(112/115)，如图5所示。图4 同一转速下不同种类故障信号的EMD剩余信号能量分布

【参考文献】：
期刊论文
[1]改进粒子群算法优化的支持向量机在滚动轴承故障诊断中的应用[J]. 吕明珠,苏晓明,陈长征,刘世勋.  机械与电子. 2019(01)
[2]蚁群优化最小二乘支持向量机在变压器故障诊断中的应用[J]. 蒋波涛,王锦.  机电信息. 2018(24)
[3]量子遗传算法优化的SVM滚动轴承故障诊断[J]. 许迪,葛江华,王亚萍,卫芬,邵俊鹏.  振动.测试与诊断. 2018(04)
[4]一种轴承故障等级诊断改进方法[J]. 王强,刘永葆,谢春玲,刘树勇,贺星.  海军工程大学学报. 2014(06)
[5]无量纲参数在矿用低速重载齿轮故障诊断中的应用[J]. 郭厚明,行志刚,荆双喜.  煤炭科学技术. 2006(08)

博士论文
[1]齿轮箱振动特性分析与智能故障诊断方法研究[D]. 何俊.浙江大学 2018
[2]大型旋转机械振动信号分析与早期故障辨识方法研究[D]. 党建.西安理工大学 2018
[3]滚动轴承振动信号特征提取及诊断方法研究[D]. 朱可恒.大连理工大学 2013
[4]基于独立分量分析的旋转机械故障诊断方法研究[D]. 焦卫东.浙江大学 2003



本文编号：3528187