支持向量机和小波包分析下的轴承故障诊断.pdf

机械设计与制造 第3期 Machinery Design Manufacture 2017年 3月 支持向量机和小波包分析下 的轴承故障诊断 张智胜 ，张云鹏2刘 青 (1．江西理工大学 机电工程学院，江西 赣州 341000；2．大垣集团有限公司，江苏 南京 211112) 摘 要：简要介绍了支持向量机和小波包分析理论，在此基础上提出将故障信号经小波包分解后各子频带信号能量与信 号总能量之比作为故障特征并构造特征向量作为SVM分类器的输入，实现故障状态的诊断。设计实验进行验证，在转子 实验台上测得滚动轴承各种状态下的振动信号，经小波包分解后计算各子频带相对能量作为实验数据。将数据分为训练 样本较多和训练样本较少两组数据集，分别使用四种不同核函数和一对一与一对多两种算法进行故障状态分类计算，以 了解其对SVM分类性能的影响，最后与BP神经网络分类结果比较，对比SVM分类器与传统故障诊断方法的优缺点。 关键词：支持向量机；小波包分析；滚动轴承：故障诊断 中图分类号：TH16 文献标识码：A 文章编号：1001—3997(2017)03—0204～04 FaultDiagnosisonBearingbySupportVectorMachineandWaveletAnalysis ZHANGZhi-sheng，ZHANGYun-pen~，LIUQing (1．SchoolofMechanicalElectricalEngineering，JiangxiUniversityofScienceTechnology，JiangxiGanzhou341000， China；2．MountopCo．，Ltd．，JiangsuNanjing211112，China) Abstract：hbrieflyintroducedthetheoryofsupportvectormachineandwaveletpacketnaalysis．Onthisbasis，itpresentafnalt statusdiagnossimethodthattakingtheratiooffrequencysub-bandsignalenergygetfromwvaeletpacketdecompositionnadtotal signalenerygas aturevector，nadimporttotheSVMclassifier．Settingupexperimenttoverifythemethod，itgettingvibration s ofbearinginvariousstatusnadmkaingwvaeletpacketdecompositiontocomputerelativeenergyasexperimentdata Dividingthedataintotwogroupwithlrageandsmalltrainingsample，tostudytheclassfiicationpe矿0m eofSVM，itusing fourdifferentkernelfunctionandtwodfiferentalgorithmofone-to-oneandone-to-many．TostuydthemeritnaddemeritofSVM classifiernadtraditiona!fnahdiagnossimethod，italsocomparedtheclassfiicationresultstoBPneuralnetwork． KeyW ords：SupportVectorMachine；W aveletPacketAnalysis；RollingBearing；FaultDiagnosis 1引言 为细致的信号分析方法P--I。