一种基于SVM和EMD的齿轮故障诊断方法.pdfVIP

维普资讯 第41卷第 1期 机 械 工 程 学 报 v。1．41N。．1 2005年 1月 CHINESEJOURNALOFMECHANICALENGINEERING Jan． 2005 一 种基于SVM 和EMD的齿轮故障诊断方法术 于德介 杨 宇 程军圣 (湖南大学机械与汽车工程学院 长沙 410082) 摘要：支持矢量机(Suppo~vectormachine，SVM)有比神经网络更强的泛化能力，且能保证找到的极值解就是全局 最优解，同时它还较好地解决了小样本的学习分类问题。针对齿轮振动信号的非平稳特征和现实中难以获得大量 故障样本的实际情况，提出了一种基于经验模态分解(Empiricalmodedecomposition，EMD)和支持矢量机的齿轮 故障诊断方法。首先对原始信号进行经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsicmodefunction， IMF)之和，然后对每一个IMF分量建立AR模型，最后提取模型的自回归参数和残差的方差作为故障特征矢量， 并以此作为 SVM 分类器的输入参数来识别齿轮的工作状态和故障类型。试验结果表明，在小样本情况下仍能准 确、有效地对齿轮的工作状态和故障类型进行分类。 关键词：EMD SVM 齿轮 故障诊断 AR摸型 中图分类号：TH165 的特征矢量，再以SVM 作为分类器来识别齿轮的 0 前言 工作状态和故障类型。大量研究表明，AR模型的 白回归参数对状态变化规律反映最敏 】，因此采 齿轮的故障诊断过程实质上就是一个模式识 用AR模型的白回归参数作为特征矢量来分析系统 别的过程，基于人工神经网络的模式识别方法以其 的状态变化应是十分有效的。但AR模型只适用于 较强的白组织、自学习能力和非线性模式分类性能 平稳信号的分析，而齿轮故障振动信号表现出非平 在齿轮故障诊断中得到了广泛应用lJJ。但人工神经 稳特征，因此，首先采用 EMD方法将原始信号分 网络需要大量的典型故障数据样本或经验知{；只I引， 解为若干个平稳的IMF(Intrinsicmodefunction)分量 而在工程实际当中，一般来讲很难获得大量典型的 之和，然后对各个 IMF分量建立 AR模型，提取 齿轮故障样本。针对这个问题，拟采用支持矢量机 AR模型的白回归参数和残差方差作为故障特征矢 (Supportvectormachine，SVM)作为分类器来对齿轮 量，并以此作为 SVM 分类器的输入参数来识别齿 工作状态进行分类。支持矢量机是 Vapnik[】根据统 轮的工作状态和故障类型。对正常状态、具有裂纹 计学习理论提出的一种学习方法，它在解决模式识 故障和断齿故障的齿轮振动信号的分析结果表明， 别的小样本问题中表现出了独特的优势和 良好的 该方法在小样本情况下仍可以有效地提取齿轮故障 应用前景 1，己用于模式识别和特征提取等领 特征，并能成功地对齿轮工作状态和故障类型进行 域l6，。SVM可以采用少量的时域故障数据样本来 分类。 训练故障分类器，不必进行信号预处理来提取特征 量便可实现多故障的识别和诊 。然而，在工程 1 EMD方法 中测取的齿轮故障振动信号常常受到随机噪声的 干扰，使得信号的信噪比很低 ，特别是发生早期故 EMD 方法假设任何信号都由不同的固有模态 障时，其微弱的故障信息完全淹没在噪声中，因此 函数(IMF)组成，每个 IMF可以是线性的，也可以 有必要在采用SVM对齿轮故障分类之前对原始信 是非线性的，IMF分量必须满足下面两个条件：