基于内积延拓LMD及SVM的轴承故障诊断方法研究.PDFVIP

See discussions, stats, and author profiles for this publication at: /publication/306201577 Bearing fault diagnosis based on integral waveform extension LMD and SVM Article March 2016 DOI: 10.13465/ki.jvs.2016.06.019 CITATIONS READS 0 10 5 authors, including: Wenyi Liu Jiangsu Normal University 31 PUBLICATIONS 454 CITATIONS SEE PROFILE Some of the authors of this publication are also working on these related projects: The Natural Science Foundation of Jiangsu Province of China (Grant No. B View project The National Natural Science Foundation of China (Grant No. View project All content following this page was uploaded by Wenyi Liu on 28 August 2016. The user has requested enhancement of the downloaded file. 振　动　与　冲　击 第３５卷第６期 ＪＯＵＲＮＡＬＯＦＶＩＢＲＡＴＩＯＮＡＮＤＳＨＯＣＫ Ｖｏｌ．３５Ｎｏ．６２０１６　  基于内积延拓 ＬＭＤ及 ＳＶＭ的轴承故障诊断方法研究 姜久亮，刘文艺，侯玉洁，仲召明，陈思瑶 （江苏师范大学 机电工程学院，江苏 徐州２２１１１６） 　　摘　要：针对特征提取中局域均值分解（ＬｏｃａｌＭｅａｎＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＬＭＤ）存在端点效应缺陷及模式识别中人工神 经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＡＮＮ）存在收敛速度慢、过学习等不足，提出基于内积延拓ＬＭＤ及支持向量机（Ｓｕｐｐｏｒｔ ＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）的轴承故障诊断方法。利用内积延拓ＬＭＤ方法对信号延拓分解抑制ＬＭＤ端点效应；利用分解的 可描述信号特性主分量ＰＦ（ＰｒｏｄｕｃｔＦｕｎｃｔｉｏｎ）构建初始特征向量矩阵；用ＳＶＤ（ＳｉｎｇｕｌａｒＶａｌｕｅＤｅｃｏｍｐｏｓｉｔｉｏｎ）方法对初始特 征向量矩阵进行奇异值分解，获得信号特征参数作为ＳＶＭ的输入进行训练；对训练的ＳＶＭ进行测试及模式分类。通过 实际轴承故障信号分析及故障类型分类表明，该方法不仅能抑制ＬＭＤ端点效应缺陷，且在故障模式识别中能有效避免 ＡＮＮ网络结构难确定、收敛速度慢等不足，能较好实现轴承故障准确分类，可用于轴承故障诊断。 关键词：内积延拓局域均值分解；奇异值分解；支持向量机；滚动轴承；故障诊断 中图分类号：ＴＰ３９１．９；ＴＨ１１３．１　　　文献标志码：Ａ ＤＯＩ：１０．１３４６５／ｊ．ｃｎｋｉ．ｊｖｓ．２０１６．０６．０１９ ＢｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｉｎｔｅｇｒａｌｗａｖｅｆｏｒｍｅｘｔｅｎｓｉｏｎＬＭＤａｎｄＳＶＭ ＪＩＡＮＧＪｉｕｌｉａ