基于IMF能量熵和SVM的滚动轴承故障模式识别作者:王以顺 汤文佳 李亮一域多层四四制
来源:《科学与财富》2011年第10期 [摘 要] 针对滚动轴承振动信号和状态信息非线性映射关系,提出一种基于内禀模态函数(IMF)能量熵的轴承特征向量提取方法,并与支持向量机(SVM)相结合实现轴承的故障识别。该方法对滚动轴承振动信号进行经验模态分解(EMD)得到若干能反映轴承故障信息的IMF分量,选取包含主要信息的IMF的能量熵作为振动信号的特征向量,并将其输入到SVM分类器中实现轴承故障模式识别。对滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障进行仿真试验,结果表明,该方法能够有效、准确的识别轴承故障。 [关键词] 滚动轴承 经验模态分解6apa 能量熵 故障识别 支持向量机
引言
在石油机械和其他机械中,滚动轴承是基本零件,轴承的好坏将影响整套设备的运行状
态。对滚动轴承进行故障诊断就是对其振动信号中包含的状态信息进行提取特征向量并加以分类,从而推断出滚动轴承运行的状态。由于滚动轴承系统的复杂性和故障形式的多样性,振动信号和状态信息之间并不存在确定的函数关系蓝瘦香菇被抢注,信号集与状态集之间是一个复杂的非线性映射,这就使滚动轴承故障模式识别比较复杂。
手机报in语 建立在线性信号基础上的传统谱分析在处理轴承振动信号的非平稳性时难免产生困难。由HuangNE提出的经验模态分(EMD)具有良好的时频聚集性,是非常适合处理非平稳性、非线性信号的新方法。该方法首先将非平稳信号按照不同尺度或者趋势分解为若干个内禀模态函数(IMF)李安喜之和,对信号进行平稳化处理,减少了信号之间特征信息之间相互影响。每个IMF摩士集团分量随着信号的变化而变化,具有很强的自适应性。
本文将IMF能量熵和支持向量机(SVM)相结合,对滚动轴承进行故障识别。将振动信号通过EMD分解后的各个内禀模态函数分量,选取各个尺度下的能量熵作为轴承特征向量,输入到SVM分类器中进行故障识别。仿真试验结果表明该方法能够有效的识别轴承的各类故障。