EMD-ICA与SVM在滚动轴承故障诊断中的应用-论文.pdf

《EMD-ICA与SVM在滚动轴承故障诊断中的应用-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第34卷第3期噪声与振动控制、，0l34No．32014年6月NOISEANDVIBRAT10NCoNTR0LJun．2O14文章编号：1006—1355(2014)03—0182—04EMD．ICA与SVM在滚动轴承故障诊断中的应用杨伟新，王平(中国航空动力机械研究所航空发动机振动技术航空科技重点实验室，湖南株洲412002)摘要：针对滚动轴承非线性的早期故障信号，应用独立分量(ICA)将滚动轴承产生的故障信号从多通道混合信号中分离出来，然后采用EMD(EmpiricalModeDecomposition)进行再次降噪并建立A

2、R模型，最后提取模型的自回归参数和残差方差作为故障特征向量，并以此作为支持向量机(SVM)分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明，该方法是有效的。关键词：振动与波：滚动轴承；独立分量；经验模式分解；AR模型；支持向量机中图书分类号：TH133．4：TP206~．3文献标识码：ADOI编码：10．3969~．issn．1006-1335．2014．03．038ApplicationofEMD·-ICAandSVMinFaultDiagnosisofRollingBearingsYANGWei-xin，WA

3、NGPing(KeyLaboratoryofAero-EngineVibrationTechnologyinAeronauticalScience，Zhuzhou412002，HunanChina)Abgm~t：Aimingattheearlynon—linearfaultsignalsofrollingbearings，theICAisemployedtoseparatethefaultsignalsoftherollingbearingfromthemixedsignalscollectedbythemulti-channe

4、1．Then，theEMDmethodisusedtoreducethenoiseandestablishtheARmode1．Finally,theself-regressiveparametersandtheresidualsquarediferenceofthemodelareextractedandregardedasthefaultcharacteristicvectors．TheyareusedastheinputparametersoftheSVMclassifiertodistinguishtheworkingc

5、onditionandthetypeoffaultsoftherollingbearing．Experimentalresultsshowthatthisapproachisefective．Keywords：vibrationandwave；rollingbearing；ICA；EMD；ARmodel；SVM在滚动轴承故障诊断中，基于人工神经网络的染，这使得所测信号只能是多个振源的混合，其将导模式识别方法以其较强的自组织、自学习能力和非致故障诊断的难度加大且准确性降低。因此，有必线性模式分类性能得到了广泛应用。但人工神经网要在

6、采用SVM对滚动轴承故障分类之前对原始信络需要大量的典型故障数据样本或经验知识，而在号进行预处理来提取故障特征，以获得更好的分类实际生产当中，一般来讲很难获得大量典型的滚动效果。事实上，在机械源分离方面ICA方法己得到轴承故障样本。SVM是一种利用小样本去解决数了广泛应用]，另外AR模型的特征向量浓缩了原时据分类问题的有效工具川，其可以采用少量的时域间序列信号的全部信息，因此采用AR模型的特征故障数据样本训练故障分类器，便可实现多故障的向量参数作为特征向量来分析系统的状态是十分有识别和诊断。然而，滚动轴承早期故障信号往往被效的口

7、。但AR模型只适用于平稳信号的处理。旋转机械其它部件和环境激发的噪声信号所污EMD又称经验模式分解[41，是一种适于非线性、非平稳信号分析的新方法，是一种自适应的信号分解收稿日期：2013．08．08方法，能把复杂的信号分解成有限个IMF分量。进项目基金：中航工业技术创新基金而弱化了信号的非平稳性，使之更适合建立AR模型。(基金编号：2012B60804R)本文采用基于负熵的快速独立分量(FastICA)作者简介：杨伟新(1988．)，男，江西临川1人，硕士，目前从事算法对混叠信号进行独立源信号分离，有效消除各航空发动机振动与噪

8、声相关研究。个传感器采集信号的数据冗余]。然后对二次信号E—mail：ywxdlu@sina．com第3期EMD．ICA与SVM在滚动轴承故障诊断中的应用183进行EMD分解达到再次降噪，并建立AR模型，以模支持失墩型参数作为故障特征向量输入SVM建立的分类器，