|
|||||
|
|
| 自适应的EEMD及其在滚动轴承故障诊断中的应用 | |
| 作者单位： | ;1.第二炮兵工程大学 |
| 摘 要： | 为解决总体集成经验模态分解(EEMD)算法中存在的白噪声参数需要人为选择的问题,同时考虑到现实中难以获得大量典型故障样本的实际情况,提出了一种基于自适应总体集成经验模态分解(AEEMD)与支持向量机(SVM)的滚动轴承故障诊断法。首先在信号处理上使用AEEMD将原始振动信号分解成具有不同特征时间尺度的本征模态分量(IMF),对于不同的轴承故障来说,在不同频带内的信号能量会发生改变,因此可通过计算各个IMF的能量来实现故障特征提取;然后把IMF的能量特征值作为输入来构建支持向量机分类器模型;最后利用建立的模型对轴承的状态类型做出判别。在轴承故障实例中将AEEMD算法与EEMD算法进行对比,证明了AEEMD的分解效果更好;选用BP神经网络与SVM的诊断效果进行对比分析,表明本文中提出的方法能够更加快速准确地诊断出轴承的故障。 |
| 关 键 词： | AEEMD 信号处理 特征提取 支持向量机 故障诊断 |
Adaptive EEMD and Its Applications to Rolling Bearing Fault Diagnosis |
|
| Abstract: | |
| Keywords: | |
| 本文献已被 CNKI 等数据库收录！ | |