经验模态分解结合包络谱LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出了经验模态分解(EMD)包络谱分析结合最小二乘支持向量机(LSSVM)方法用于滚动轴承的故障诊断。EMD具有自适应性,可以有效分析非平稳,非线性信号。利用EMD将轴承信号分解为由高频到低频的固有模态函数(IMF),选取前4个主要包含轴承故障频率的IMF函数进行包络谱分析,采用每个分量函数的特征频率和轴承的时域特征作为轴承故障的识别特征,结合LSSVM方法建立轴承故障诊断定性识别模型。结果表明：单独采用频率特征的LSSVM判别模型无法实现轴承故障的准确识别,其正确识别率仅为82.5%;采用频率特征结合时域特征的LSSVM模型可以实现轴承故障类型的100%准确识别。EMD包络谱分析结合模式识别的方法可以实现轴承故障类型的有效识别。     

基于变分模态分解和支持向量机的滚动轴承品质评估

针对滚动轴承品质评估过程中振动信号代表性特征提取不充分且模式识别方法精度低等不足,提出了基于变分模态分解(VMD)和支持向量机(SVM)的滚动轴承品质评估方法,首先,对3个品质等级的轴承样品进行振动信号的采集;其次,计算滚动轴承振动信号的有效值、峰值和峭度值3个时域指标(TDI),并采用VMD方法将信号分解为4个有限带宽模态函数(BIMF),并分别计算其排列熵(PE)值;最后,将3个时域指标和4个排列熵值共计7个特征作为SVM的输入变量构建轴承品质等级预测评估模型.实验结果表明:与TDI–PE–SVM模型相比, TDI–VMD–PE–SVM轴承品质评估模型更优,识别率由83.33%提高到93.33%, VMD方法有效地提高了振动信号的分辨率,有利于轴承振动信号细节特征信息的提取.